論文の概要: Preference Optimization for Non-Verbal Vocalization Synthesis

• arxiv url: http://arxiv.org/abs/2608.24163v1
• Date: Tue, 25 Aug 2026 07:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.858132
• Title: Preference Optimization for Non-Verbal Vocalization Synthesis
• Title（参考訳）: 非バーバルなボカライゼーション合成のための選好最適化
• Abstract要約: 我々は,NV対応TTSの選好最適化について検討し,選好信号,選好ペア構築,DPOに基づく目的に着目した。 我々は、NVタグを別個の出力シンボルとして扱うことにより、NV対応文字誤り率(NV-CER)を定式化する。 18種類のNVタイプをカバーするEmilia-NVと拡張NV-Benchの実験は、異なる設計選択がNVの実現と語彙の忠実性にどのように影響するかを明らかにする。
• 参考スコア（独自算出の注目度）: 52.74077608175284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-verbal vocalizations (NVs), such as laughter, coughs, and sighs, are essential for expressive TTS, but the effectiveness of preference optimization for NV generation remains poorly understood. We systematically study preference optimization for NV-capable TTS, focusing on preference signals, preference-pair construction, and DPO-based optimization objectives. We formulate an NV-aware character error rate (NV-CER) by treating NV tags as distinct output symbols and computing a weighted pinyin-based CER over both verbal and non-verbal content, enabling controllable optimization of NV realization without modifying the underlying optimization algorithm. Experiments on Emilia-NV and the augmented NV-Bench covering 18 NV types reveal how different design choices affect NV realization and lexical fidelity, and establish an effective setup using standard DPO. Objective, LLM-based, and human evaluations provide converging evidence for our findings, offering practical insights into NV-aware post-training for expressive TTS.
• Abstract（参考訳）: 非言語発声 (NVs) は, TTS の表現には必須であるが, NV 生成における選好最適化の有効性はよく分かっていない。 我々は,NV対応TTSの選好最適化を体系的に研究し,選好信号,選好ペアの構成,DPOに基づく最適化の目的に着目した。 我々は,NVタグを別個の出力シンボルとして扱うことでNV対応文字誤り率(NV-CER)を定式化し,言語コンテンツと非言語コンテンツの両方に重み付けされたPinyinベースのCERを演算することにより,基礎となる最適化アルゴリズムを変更することなくNV実現の制御可能な最適化を可能にする。 18種類のNV型をカバーするEmilia-NVと拡張NV-Benchの実験は、異なる設計選択がNVの実現と語彙の忠実性に与える影響を明らかにし、標準DPOを用いた効果的なセットアップを確立する。 目的, LLM ベース, 人的評価は, この発見を裏付ける証拠となり, 表現型 TTS のための NV 認識後トレーニングの実践的洞察を提供する。

関連論文リスト

• NVMOS: Non-Verbal Vocalization Quality Assessment in Speech [30.08001426578417]
  非言語発声(NV)は感情や意図に対する重要な音響的手がかりである。 音声におけるNV事象の知覚的品質を確実に予測できる最初のモデルとして,NVMOSを提案する。
  論文  参考訳（メタデータ） (2026-06-14T16:18:10Z)
• Convex Optimization for Alignment and Preference Learning on a Single GPU [52.997197698288936]
  人間の好みに合わせて微調整された大きな言語モデルは、GeminiやChatGPTといったシステムの成功を導いた。 DPO(Direct Preference Optimization)は、よりシンプルな代替手段を提供するが、一貫性のないランキング精度やGPUリソースへの高い依存といった制限がある。 本稿では,理論的保証の強い新しい軽量戦略であるConvex Optimization for Alignment and Preference Learning Algorithm (COALA)を提案する。
  論文  参考訳（メタデータ） (2026-05-22T05:25:00Z)
• NV-Bench: Benchmark of Nonverbal Vocalization Synthesis for Expressive Text-to-Speech Generation [21.15492410480184]
  NV-ベンチ(NV-Bench)は,NVを音響的アーティファクトではなく伝達作用として扱う機能分類に基礎を置いた最初のベンチマークである。 NV-Benchは、14のNVカテゴリでバランスの取れた1,651の多言語、単語内発話とペアの人間の参照音声からなる。
  論文  参考訳（メタデータ） (2026-03-16T14:35:52Z)
• SSVD-O: Parameter-Efficient Fine-Tuning with Structured SVD for Speech Recognition [65.90944188787786]
  本稿では,構造化SVD誘導(SSVD)ファインチューニング法の拡張であるSSVD-Outer(SSVD-O)を紹介する。 自動音声認識のためのPEFTにおいて,モデル部分空間間のパラメータ予算配分を初めて体系的に解析する。 その結果, SSVD-O は連続的に性能ギャップを細調整に狭めつつ, 一般化を改善し, 破滅的な忘れを軽減できることが示唆された。
  論文  参考訳（メタデータ） (2026-01-18T22:16:44Z)
• SSVD: Structured SVD for Parameter-Efficient Fine-Tuning and Benchmarking under Domain Shift in ASR [65.90944188787786]
  ローランク適応(LoRA)は、音声アプリケーションで広く使われているが、VeRA、DoRA、PiSSA、SVFTといった最先端の変種は、主に言語や視覚タスクのために開発されており、音声による検証は限られている。 本研究は,これらのPEFTメソッドをESPnet内での総合的な統合とベンチマークを行う。 本研究では、0.1Bから2Bまでのモデルスケールで、幼児の発話や方言の変化を含むドメインシフト音声認識タスクに関するすべての手法を評価する。
  論文  参考訳（メタデータ） (2025-09-02T20:51:17Z)
• Aligning Generative Speech Enhancement with Human Preferences via Direct Preference Optimization [46.94426003410216]
  本研究では,言語モデル(LM)の観点からの音声強調について検討する。 人間の評価のプロキシとして,ニューラルネットワークMOS予測モデルであるUTMOSを用いて,知覚的に好まれる出力に対する最適化を導出する。 2020年のDeep Noise Suppression Challengeテストセットの実験では、事前訓練されたLMベースのSEモデルにDPOを適用することで、一貫した改善が得られた。
  論文  参考訳（メタデータ） (2025-07-14T05:15:39Z)
• AdaViP: Aligning Multi-modal LLMs via Adaptive Vision-enhanced Preference Optimization [26.03204301595711]
  本稿では,2つの重要なイノベーションを通じて制限に対処する適応型視覚強調最適化(AdaViP)を提案する。 視覚に基づく選好ペア構築は、複数の視覚基盤モデルを統合し、画像から重要な視覚要素を戦略的に除去する。 AdaViP-7Bは、Object HalBench上でそれぞれ応答レベルと言及レベルの幻覚を93.7%、96.4%減少させる。
  論文  参考訳（メタデータ） (2025-04-22T06:19:38Z)
• Dynamic Noise Preference Optimization for LLM Self-Improvement via Synthetic Data [51.62162460809116]
  我々は、イテレーション間で一貫した改善を保証するために、動的ノイズ優先最適化(DNPO)を導入します。 Zephyr-7Bでの実験では、DNPOは既存の手法を一貫して上回り、平均性能は2.6%向上した。 DNPOは、GPT-4評価のベースラインに比べて29.4%のウィンロス率差で、モデル生成データの品質が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-02-08T01:20:09Z)
• Preference Alignment Improves Language Model-Based TTS [76.70693823683091]
  選好アライメントアルゴリズムは、報酬モデルの嗜好に合わせてLMを調整し、生成されたコンテンツの望ましさを高める。 1.15B のパラメータ LM に基づく TTS モデルを用いて、嗜好の整合性は常に知性、話者類似性、代用主観的評価スコアを向上することを示した。
  論文  参考訳（メタデータ） (2024-09-19T01:58:19Z)

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。