論文の概要: Iterative Self-Learning for Expressive Text-to-Speech Synthesis

• arxiv url: http://arxiv.org/abs/2608.15910v1
• Date: Sun, 16 Aug 2026 19:54:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.465974
• Title: Iterative Self-Learning for Expressive Text-to-Speech Synthesis
• Title（参考訳）: 表現型テキスト音声合成のための反復的自己学習
• Abstract要約: 本稿では,表現的テキスト合成のための反復的自己学習フレームワークを提案する。 現在のモデルを用いて、反復的に擬似ラベル付き音声をラベル付けし、ラベル付きデータと擬似ラベル付きデータで再訓練し、繰り返します。 繰り返し改良により,シングルパスベースラインよりも擬似ラベルの精度が向上することが判明した。
• 参考スコア（独自算出の注目度）: 20.391383791266342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Expressive text-to-speech (TTS) systems that use explicit conditioning labels provide direct and interpretable control over expressive attributes, in contrast to reference-based or prompting-based approaches, but require labeled data. Obtaining these labels at scale is costly and time-consuming, yet no prior semi-supervised framework addresses this specific bottleneck. Existing semi-supervised TTS methods instead target scarcity of paired speech-text data or transcriptions. To address the scarcity of expressive labels, we propose an Iterative Self-Learning (ISL) framework for expressive TTS, built on Invert-Classify, a classifier-free method that recovers discrete expressive labels by inverting a frozen generative model. The framework iteratively pseudo-labels unlabeled speech using the current model, retrains on the combined labeled and pseudo-labeled data, and repeats, progressively refining label quality and synthesis. We validate on two expressive tasks, word-level prominence and utterance-level emotion, across multiple low-resource data splits. We find that iterative refinement can improve pseudo-label accuracy over single-pass baselines. Furthermore, we observe that these improvements in pseudo-labeling of expressivity translate to gains in expressive label adherence and synthesis quality, confirmed by objective metrics and human listening tests. In the most data-scarce conditions, ISL-trained models outperform single-pass pseudo-labeling and further approach fully supervised performance, demonstrating that gradient-based ISL is an effective solution to expressive label scarcity in low-resource TTS.
• Abstract（参考訳）: 明示的な条件付きラベルを使用する表現的テキスト音声システム(TTS)は、参照ベースやプロンプトベースのアプローチとは対照的に、表現的属性の直接的かつ解釈可能な制御を提供するが、ラベル付きデータを必要とする。 これらのラベルを大規模に保持することはコストと時間を要するが、この特定のボトルネックに対処する事前の半教師付きフレームワークは存在しない。 既存の半教師付きTSメソッドは、ペア化された音声テキストデータや書き起こしの不足をターゲットとしている。 Invert-Classifyをベースとした表現型TTSのための反復自己学習(ISL)フレームワークを提案する。 フレームワークは、現在のモデルを用いて、繰り返し擬似ラベルなし音声を繰り返し、ラベル付きデータと擬似ラベル付きデータで再訓練し、ラベルの品質と合成を段階的に改善する。 我々は、複数の低リソースデータ分割に対して、単語レベルの優位性と発話レベルの感情の2つの表現的タスクを検証した。 繰り返し改良により,シングルパスベースラインよりも擬似ラベルの精度が向上することが判明した。 さらに、これらの表現性の擬似ラベル化の改善は、客観的な測定値と人間の聴取テストによって確認された、表現的ラベルの付着と合成品質の向上につながることが観察された。 最もデータスカースな環境では、ISL訓練されたモデルはシングルパス擬似ラベルよりも優れ、さらに完全に教師付き性能にアプローチし、低リソースTSSにおける表現性ラベルの不足に対する効果的な解であることを示した。

関連論文リスト

• Boosting Meta-Learning for Few-Shot Text Classification via Label-guided Distance Scaling [14.128153594493964]
  短いショットテキスト分類は、ラベル付きテキストサンプルが限定された未確認のクラスを認識することを目的としている。 textbfLabel-guided textbfDistance textbfScaling (LDS) 戦略を提案する。 トレーニング段階において、ラベル誘導損失を設計し、ラベルの意味情報を注入し、サンプル表現を近づける。 テスト段階では,ラベルセマンティクスを用いてサンプル表現をスケールし,さらなる監視信号を提供するラベル誘導尺度を提案する。
  論文  参考訳（メタデータ） (2026-02-28T13:59:15Z)
• BiRQ: Bi-Level Self-Labeling Random Quantization for Self-Supervised Speech Recognition [63.45645200463539]
  BiRQは、BEST-RQの効率とHuBERTスタイルのラベル拡張の強化の利点を組み合わせた、双方向SSLフレームワークである。 提案手法は,960時間のLibriSpeech,150時間のAMIミーティング,5,000時間のYODASなど,さまざまなデータセットで検証する。
  論文  参考訳（メタデータ） (2025-09-18T21:09:29Z)
• Zero-Shot Pseudo Labels Generation Using SAM and CLIP for Semi-Supervised Semantic Segmentation [0.0]
  注釈付きラベルと擬似ラベルを用いた画像を用いた意味的セグメンテーションモデルを訓練する手法を提案する。 モデルの精度は、擬似ラベルの品質と注釈付きラベルによるデータの量に依存する。 提案手法の有効性は,公開データセットであるPASCALとMS COCOを用いて実証した。
  論文  参考訳（メタデータ） (2025-05-26T11:31:13Z)
• Semi-Supervised Cognitive State Classification from Speech with Multi-View Pseudo-Labeling [21.82879779173242]
  ラベル付きデータの欠如は、音声分類タスクにおいて共通の課題である。 そこで我々は,新しい多視点擬似ラベル手法を導入したセミスーパーバイザードラーニング(SSL)フレームワークを提案する。 感情認識と認知症検出タスクにおけるSSLフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-09-25T13:51:19Z)
• Prompt-based Pseudo-labeling Strategy for Sample-Efficient Semi-Supervised Extractive Summarization [12.582774521907227]
  半教師付き学習(SSL)は、ラベル付きデータが不足し、ラベルなしデータが豊富であるシナリオで広く使われているテクニックである。 標準SSLメソッドは、まず分類モデルをトレーニングし、次に分類器の信頼性値を使用して擬似ラベルを選択するために教師-学生パラダイムに従う。 より正確な擬似ラベルでラベルなしのサンプルを抽出するLLMを用いたプロンプトベースの擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2023-11-16T04:29:41Z)
• LanSER: Language-Model Supported Speech Emotion Recognition [25.597250907836152]
  本稿では,学習済みの大規模言語モデルを用いて弱い感情ラベルを推定することにより,ラベルなしデータの利用を可能にするLanSERを提案する。 分類学に制約された弱いラベルを推定するために、自動音声認識により抽出された音声の書き起こしに対して、最も深いスコアを持つ感情ラベルを選択するテキスト・エンタテインメント・アプローチを用いる。 実験結果から, 従来のSERデータセットのベースラインモデルでは, 精度が向上し, ラベル効率が向上した。
  論文  参考訳（メタデータ） (2023-09-07T19:21:08Z)
• Seq-UPS: Sequential Uncertainty-aware Pseudo-label Selection for Semi-Supervised Text Recognition [21.583569162994277]
  最も一般的なSSLアプローチの1つは擬似ラベル(PL)である。 PL法はノイズによって著しく劣化し、ノイズの多いラベルに過度に適合する傾向がある。 テキスト認識のための擬似ラベル生成と不確実性に基づくデータ選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-31T02:21:02Z)
• Transductive CLIP with Class-Conditional Contrastive Learning [68.51078382124331]
  雑音ラベル付き分類ネットワークをスクラッチから学習するための新しいフレームワークであるTransductive CLIPを提案する。 擬似ラベルへの依存を軽減するために,クラス条件のコントラスト学習機構を提案する。 アンサンブルラベルは、ノイズラベル付きディープニューラルネットワークのトレーニングを安定化するための擬似ラベル更新戦略として採用されている。
  論文  参考訳（メタデータ） (2022-06-13T14:04:57Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Semi-Supervised Speech Recognition via Graph-based Temporal Classification [59.58318952000571]
  半教師付き学習は自己学習による自動音声認識において有望な結果を示した。 このアプローチの有効性は、主に擬似ラベルの精度に依存する。 N-bestリストの別のASR仮説は、ラベルなしの発話に対してより正確なラベルを提供することができる。
  論文  参考訳（メタデータ） (2020-10-29T14:56:56Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• Semi-supervised Relation Extraction via Incremental Meta Self-Training [56.633441255756075]
  半教師付き関係抽出法は,限られたサンプルからの学習に加え,ラベルのないデータを活用することを目的としている。 既存の自己学習手法は段階的なドリフト問題に悩まされ、未ラベルデータにノイズのある擬似ラベルが組み込まれている。 本稿では,リレーショナルラベル生成ネットワークが,メタオブジェクトとしてリレーショナル分類ネットワークを成功・失敗に導くことによって,擬似ラベルの品質評価を生成するメタSREという手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T03:54:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。