論文の概要: AudioNoisePrints: Model-free audio watermarking using spatial correlation in flow matching TTS
- arxiv url: http://arxiv.org/abs/2608.22186v1
- Date: Sun, 23 Aug 2026 02:52:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.64532
- Title: AudioNoisePrints: Model-free audio watermarking using spatial correlation in flow matching TTS
- Title（参考訳）: AudioNoisePrints:フローマッチングTSにおける空間相関を用いたモデルフリー音声透かし
- Abstract要約: 本稿では,フローマッチングと拡散TSモデルのためのトレーニング不要な透かしパイプラインであるAudioNoisePrintsを提案する。
拡散および流れマッチングモデルにおける初期ガウス雑音と生成した出力との間には強い相関関係があることを生かした。
本手法は音声透かしの強力なベースラインであるAudioSealより優れている。
- 参考スコア（独自算出の注目度）: 11.455535872504749
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present AudioNoisePrints, a training-free watermarking pipeline for flow matching and diffusion TTS models, which requires minimal extra computation during inference and does not require retraining the TTS model or reducing the generation quality. We exploited the fact that there are strong correlations between the initial Gaussian noises and the generated outputs in diffusion and flow matching models, such that a simple cosine correlation between the initial noise and the generated output can be used to perform watermaking. Moreover, we train a lightweight detector on top for more aggressive augmentations. Our method outperforms AudioSeal, a strong baseline for audio watermarking under strong augmentations. We experimented on F5TTS and other TTS and vocoder models, and concluded that they all exhibit similar spatial correlation properties, suggesting our watermarking scheme can be used for more flow-matching TTS models and even vocoders in the future.
- Abstract（参考訳）: 本稿では,フローマッチングと拡散TSモデルのためのトレーニング不要な透かしパイプラインであるAudioNoisePrintsについて述べる。
本研究では,初期ガウス雑音と拡散流マッチングモデルにおいて生成した出力との間に強い相関関係があることを生かし,初期雑音と生成した出力との単純なコサイン相関を利用して製水を行う。
さらに、より積極的な拡張のために、上部に軽量検出器を訓練する。
本手法は音声透かしの強力なベースラインであるAudioSealより優れている。
F5TTS や他の TTS および vocoder モデルで実験を行った結果,これら全てに類似した空間相関特性が認められた。
関連論文リスト
- WavFlow: Audio Generation in Waveform Space [25.62432990858879]
WavFlowは、中間表現なしで生波形空間で直接高忠実なオーディオを生成するフレームワークである。
自動データパイプラインを活用して、500万の高品質のビデオテキストオーディオトリプルをキュレートします。
WavFlowは、VGGSound (FD_PaSST: 59.98, IS_PANNs: 17.40, DeSync: 0.44)とAudioCaps (FD_PANNs: 10.63, IS_PANNs: 12.62)の競合性能を達成した。
論文 参考訳（メタデータ） (2026-05-18T17:59:10Z) - Talker-T2AV: Joint Talking Audio-Video Generation with Autoregressive Diffusion Modeling [59.97930201616015]
本研究では,共有バックボーン内で高レベルなクロスモーダルモデリングを行う自己回帰拡散フレームワークであるTalker-T2AVを提案する。
共有自己回帰言語モデルは、統一されたパッチレベルのトークン空間において、オーディオとビデオに対して共同で原因となる。
ポートレートベンチマークの実験では、Talker-T2AVはリップシンク精度、ビデオ品質、オーディオ品質において、デュアルブランチベースラインを上回っている。
論文 参考訳（メタデータ） (2026-04-26T07:48:47Z) - DiT-Flow: Speech Enhancement Robust to Multiple Distortions based on Flow Matching in Latent Space and Diffusion Transformers [22.00618863958246]
DiT-Flowは、遅延拡散変換器(DiT)のバックボーン上に構築されたフローマッチングベースのSEフレームワークである。
DiT-Flowは、最先端のジェネレーティブSEモデルよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-03-23T06:03:58Z) - Smark: A Watermark for Text-to-Speech Diffusion Models via Discrete Wavelet Transform [7.904062289123103]
本稿ではSmarkと呼ばれるTS拡散モデルに対する普遍的な透かし方式を提案する。
Smarkは、すべてのTS拡散モデルで共有される共通の逆拡散パラダイムで機能する。
種々の実空間攻撃シナリオにおける音質と透かし性能を評価する実験を行った。
論文 参考訳（メタデータ） (2025-12-21T16:07:08Z) - T2SMark: Balancing Robustness and Diversity in Noise-as-Watermark for Diffusion Models [89.29541056113442]
T2SMarkはTail-Truncated Smpling(TTS)に基づく2段階の透かし方式である
U-NetとDiTのバックボーンを用いた拡散モデル上でのT2SMarkの評価を行った。
論文 参考訳（メタデータ） (2025-10-25T16:55:55Z) - Next Tokens Denoising for Speech Synthesis [51.320443764269726]
Dragon-FMは、ARとフローマッチングを統合する新しいテキスト音声(TTS)設計である。
毎秒12.5トークンのコンパクトレートで48kHzのオーディオトークンをチャンクで処理する。
ポッドキャストデータセットの実験では、高品質なゼロショットポッドキャストを効率的に生成できることが示されている。
論文 参考訳（メタデータ） (2025-07-30T15:03:36Z) - AudioTurbo: Fast Text-to-Audio Generation with Rectified Diffusion [23.250409921931492]
整流流は直線常微分方程式経路を学習することにより推論速度を向上させる。
このアプローチでは、フローマッチングモデルをスクラッチからトレーニングする必要があります。
本稿では,事前学習したTTAモデルにより生成された定性雑音サンプルペアから一階ODEパスを学習するAudioTurboを提案する。
論文 参考訳（メタデータ） (2025-05-28T08:33:58Z) - Diffusion-Driven Semantic Communication for Generative Models with Bandwidth Constraints [66.63250537475973]
本稿では,帯域制限付き生成モデルのための,高度なVAEベースの圧縮を用いた拡散駆動型セマンティック通信フレームワークを提案する。
実験の結果,ピーク信号対雑音比 (PSNR) などの画素レベルの指標と,LPIPS (Learning Perceptual Image patch similarity) のような意味的指標が大幅に改善された。
論文 参考訳（メタデータ） (2024-07-26T02:34:25Z) - Frieren: Efficient Video-to-Audio Generation Network with Rectified Flow Matching [51.70360630470263]
Video-to-audio (V2A) は、サイレントビデオからコンテンツマッチング音声を合成することを目的としている。
本稿では,修正フローマッチングに基づくV2AモデルであるFrierenを提案する。
実験により、フリーレンは世代品質と時間的アライメントの両方で最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2024-06-01T06:40:22Z) - ConsistencyTTA: Accelerating Diffusion-Based Text-to-Audio Generation with Consistency Distillation [21.335983674309475]
拡散モデルは、世代毎の根底にあるデノナイジングネットワークへのクエリ数が過度に多いため、遅い推論に悩まされる。
本稿では,1つの非自己回帰型ネットワーククエリのみを必要とするフレームワークであるConsistencyTTAを紹介する。
そこで我々は「CFG対応潜時整合モデル」を提案し, 整合性生成を潜時空間に適応させる。
論文 参考訳（メタデータ） (2023-09-19T16:36:33Z) - From Discrete Tokens to High-Fidelity Audio Using Multi-Band Diffusion [84.138804145918]
深層生成モデルは、様々な種類の表現で条件付けられた高忠実度オーディオを生成することができる。
これらのモデルは、条件付けに欠陥がある場合や不完全な場合、可聴アーチファクトを生成する傾向がある。
低ビットレート離散表現から任意の種類のオーディオモダリティを生成する高忠実度マルチバンド拡散ベースフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-02T22:14:29Z) - OverFlow: Putting flows on top of neural transducers for better TTS [9.346907121576258]
ニューラルHMMは、最近テキストから音声へのシーケンスモデリングのために提案されたニューラルトランスデューサの一種である。
本稿では,ニューラルHMM TTSと正規化流を組み合わせた音声音響の非ガウス分布を記述する。
論文 参考訳（メタデータ） (2022-11-13T12:53:05Z)
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。