論文の概要: Dual-Scale State-Space Modeling with Speaker-Wise Dynamic CRF for Speech Emotion Recognition in Conversation

• arxiv url: http://arxiv.org/abs/2608.22399v1
• Date: Sun, 23 Aug 2026 12:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.759878
• Title: Dual-Scale State-Space Modeling with Speaker-Wise Dynamic CRF for Speech Emotion Recognition in Conversation
• Title（参考訳）: 対話音声認識のための話者幅動的CRFを用いた2次元状態空間モデリング
• Abstract要約: 感情認識のための音声のみのアーキテクチャであるDSSM-CRFを提案する。 双方向状態空間モデルは、フレームと対話スケールでの融合した自己教師付き音声表現を符号化する。 話者の連鎖における連続的な発話は、スコアがコーパスレベルの遷移行列と、2つの文脈化された発話から予測される残差を組み合わせた遷移対を形成する。
• 参考スコア（独自算出の注目度）: 1.6389263804357965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational speech emotion recognition must reconcile acoustic evidence across temporal scales with two interaction processes: cross-speaker contextual influence and within-speaker emotion evolution. We propose DSSM-CRF, an audio-only architecture that explicitly separates these processes. Bidirectional state-space models encode fused self-supervised speech representations at frame and dialogue scales, so each utterance representation captures local prosody and context from all speakers. The decoder then orders each speaker's utterances into an independent dynamic conditional random field chain. Consecutive utterances in a speaker's chain form a transition pair whose score combines a corpus-level transition matrix with a residual predicted from the two contextualized utterances. An auxiliary objective supervises whether each pair changes emotion but does not participate in Viterbi inference. Thus, interlocutor turns affect contextual emotion scores without being treated as transitions in another speaker's emotion trajectory. DSSM-CRF achieves 75.81% UA and 74.90% WA on IEMOCAP, and 54.72% WA and 49.31% WF1 on MELD. Matched controls demonstrate complementary gains from speaker-wise factorization and CRF modeling.
• Abstract（参考訳）: 会話音声の感情認識は、時間的尺度にわたる音響的証拠を、話者間の文脈的影響と話者内感情の進化の2つの相互作用プロセスと照合する必要がある。 本稿では,これらのプロセスを明確に分離する音声のみのアーキテクチャであるDSSM-CRFを提案する。 双方向状態空間モデルは、フレームと対話スケールで融合した自己教師付き音声表現を符号化するので、各発話表現は、すべての話者から局所韻律と文脈をキャプチャする。 デコーダは、各話者の発話を独立した動的条件付きランダムフィールドチェーンに注文する。 話者の連鎖における連続的な発話は、スコアがコーパスレベルの遷移行列と、2つの文脈化された発話から予測される残差を組み合わせた遷移対を形成する。 補助的目的は、それぞれのペアが感情を変化させるかどうかを監督するが、ビタビ推論には参加しない。 このように、インターロカターは、他の話者の感情軌跡の遷移として扱われることなく、文脈的感情スコアに影響を及ぼす。 DSSM-CRFはIEMOCAPで75.81% UA、74.90% WA、MELDで54.72% WA、49.31% WF1を達成した。 一致した制御は、話者の分解とCRFモデリングによる相補的な利得を示す。

関連論文リスト

• KABURI-TTS: Phoneme-Keyed Activity-conditioned Bi-channel Utterance Rendering for Interaction [29.52851418305386]
  KABURITTSは、話者毎の音素を入力として、フレーム毎の音素に2人の話者の音声を描画する。 ユーザ評価の結果,提案手法は強いベースラインに対して,発話レベルと対話レベルの両方で自然性が得られることがわかった。
  論文  参考訳（メタデータ） (2026-09-07T08:24:10Z)
• UAF: A Unified Audio Front-end LLM for Full-Duplex Speech Interaction [7.775050285048427]
  音声アシスタントは人間のような会話システムに向けて人工的な伝播を駆動しています。 音声活動検出(VAD)やターンテイク検出(TD)といったフロントエンドコンポーネントは、音声アシスタントにとって不可欠である。 本報告では, フルグレッシブ音声システムに適した初の統合音声フロントエンド LLM (UAF) を提案する。
  論文  参考訳（メタデータ） (2026-04-21T08:24:55Z)
• Disentangled Dual-Branch Graph Learning for Conversational Emotion Recognition [37.30058027224552]
  会話におけるマルチモーダル感情認識は、コンテキスト内のテキスト、音響、視覚的手がかりを共同でモデル化することにより、発話レベルの感情を推測することを目的としている。 本稿では,二重空間特徴の絡み合いと二重分岐グラフ学習を組み合わせたフレームワークを提案する。 IEMOCAPとMELDの実験により,提案手法は強いベースラインよりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2026-04-03T14:47:26Z)
• Disentangling Voice and Content with Self-Supervision for Speaker Recognition [57.446013973449645]
  本稿では,音声における話者の特性と内容の変動を同時にモデル化するアンタングル化フレームワークを提案する。 実験はVoxCelebとSITWのデータセットで実施され、EERとminDCFの平均減少率は9.56%と8.24%である。
  論文  参考訳（メタデータ） (2023-10-02T12:02:07Z)
• Audio-visual End-to-end Multi-channel Speech Separation, Dereverberation and Recognition [52.11964238935099]
  本稿では,音声-視覚的多チャンネル音声分離,デバーベレーション,認識手法を提案する。 ビデオ入力は、マスクベースのMVDR音声分離、DNN-WPEまたはスペクトルマッピング(SpecM)ベースの音声残響フロントエンドで一貫して実証される。 オックスフォードLSS2データセットのシミュレーションや再生を用いて合成した重畳および残響音声データについて実験を行った。
  論文  参考訳（メタデータ） (2023-07-06T10:50:46Z)
• deep learning of segment-level feature representation for speech emotion recognition in conversations [9.432208348863336]
  そこで本稿では,意図的文脈依存と話者感応的相互作用をキャプチャする対話型音声感情認識手法を提案する。 まず、事前訓練されたVGGishモデルを用いて、個々の発話におけるセグメントベース音声表現を抽出する。 第2に、注意的双方向リカレントユニット(GRU)は、文脈に敏感な情報をモデル化し、話者内および話者間依存関係を共同で探索する。
  論文  参考訳（メタデータ） (2023-02-05T16:15:46Z)
• VQMIVC: Vector Quantization and Mutual Information-Based Unsupervised Speech Representation Disentanglement for One-shot Voice Conversion [54.29557210925752]
  ワンショット音声変換は、音声表現のアンタングルメントによって効果的に実現できる。 コンテンツエンコーディングにはベクトル量子化(VQ)を使用し、トレーニング中に相互情報(MI)を相関指標として導入する。 実験結果は,提案手法が効果的に非絡み合った音声表現を学習する際の優位性を反映している。
  論文  参考訳（メタデータ） (2021-06-18T13:50:38Z)
• A Hierarchical Transformer with Speaker Modeling for Emotion Recognition in Conversation [12.065178204539693]
  Emotion Recognition in Conversation(ERC)は、パーソナライズされたインタラクティブな感情認識タスクです。 現在の方法は、各話者間の関係を構築することによって話者の相互作用をモデル化する。 複雑なモデリングをバイナリバージョン – スピーカー内依存関係とスピーカー間依存関係 – に簡略化します。
  論文  参考訳（メタデータ） (2020-12-29T14:47:35Z)
• FragmentVC: Any-to-Any Voice Conversion by End-to-End Extracting and Fusing Fine-Grained Voice Fragments With Attention [66.77490220410249]
  本稿では、Wav2Vec 2.0から、音源話者からの発声の潜在音声構造を求めるFragmentVCを提案する。 FragmentVCは、ターゲット話者発話からきめ細かい音声断片を抽出し、所望の発話に融合することができる。 提案手法は, コンテンツと話者情報との絡み合いを考慮せずに, 再構成損失を学習する。
  論文  参考訳（メタデータ） (2020-10-27T09:21:03Z)
• Filling the Gap of Utterance-aware and Speaker-aware Representation for Multi-turn Dialogue [76.88174667929665]
  マルチターン対話は、2つ以上の異なる話者の役割から複数の発話からなる。 既存の検索に基づくマルチターン対話モデルでは、事前訓練された言語モデル(PrLM)をエンコーダとして、対話を粗く表現する。 本稿では,対話履歴に係わる効果的な発話認識表現と話者認識表現をモデル化することにより,そのようなギャップを埋める新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-14T15:07:19Z)
• Converting Anyone's Emotion: Towards Speaker-Independent Emotional Voice Conversion [83.14445041096523]
  感情的音声変換は、言語内容と話者のアイデンティティを保ちながら、ある状態から別の状態へ音声の感情を変換することを目的としている。 パラレルデータを必要とせずに、誰の感情も変換できる話者非依存の感情音声変換フレームワークを提案する。 実験の結果,提案した話者非依存のフレームワークは,目に見える話者と目に見えない話者の双方に対して,競争的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-05-13T13:36:34Z)

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。