論文の概要: Continuous-Time Acoustic Modelling with Neural Controlled Differential Equations

• arxiv url: http://arxiv.org/abs/2609.11725v1
• Date: Thu, 10 Sep 2026 15:41:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.43582
• Title: Continuous-Time Acoustic Modelling with Neural Controlled Differential Equations
• Title（参考訳）: ニューラル制御微分方程式を用いた連続時間音響モデル
• Abstract要約: 本稿では, ニューラル制御微分方程式(CDE)を用いた TTS における持続時間を考慮した音響モデリングのための連続時間機構を提案する。 音声表現を時間パラメータ化制御経路として定式化し、ニューラルネットワークベクトル場を用いて連続時間隠れ状態を生成する。 以上の結果から,CDEに基づく1ステップ1台評価モデルでは,合成された感情強度と参照感情強度のランク順一致が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 10.65480763707645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-speech (TTS) models commonly address text--speech alignment by expanding phone-level encoder states to frame-level decoder inputs using predicted durations. While this length-regulation step resolves alignment structurally, this use of duration typically changes only where and how often latent states appear, not the values of the states themselves. This paper proposes a continuous-time mechanism for duration-aware acoustic modelling in TTS using neural controlled differential equations (CDEs). We formulate the phone representation as a temporally parameterised control path and use a neural acoustic vector field to produce a continuous-time hidden state whose values evolve with phonetic content and duration-derived timing. The resulting trajectory can be sampled at discrete points and integrated into a standard acoustic decoder pipeline. Objective results contrast CDEs and typical recurrent models. Subjective results suggest that CDE-based models evaluating one phone per step can improve rank-order agreement between synthesised and reference emotion intensity while maintaining comparable emotion-expression quality to a strong baseline. Additional experiments with half-phone step-sizes suggest that temporal resolution changes the trade-off between style tracking and absolute calibration. These results position CDEs as a promising design space for continuous-time and duration-aware style-sensitive TTS.
• Abstract（参考訳）: テキスト音声合成(TTS)モデルは、予測期間を用いて、電話レベルエンコーダ状態をフレームレベルデコーダ入力に拡張することで、テキスト音声アライメントに対処する。 この長さ制限のステップは構造的に整合を解消するが、この持続時間の使用は通常、状態自体の値ではなく、どの場所やどの頻度で潜伏状態が現れるかだけを変える。 本稿では, ニューラル制御微分方程式 (CDEs) を用いた TTS における持続時間を考慮した音響モデリングのための連続時間機構を提案する。 音声表現を時間的パラメータ化制御経路として定式化し、ニューラルネットワークベクトル場を用いて、音素量や時間由来のタイミングで値が変化する連続的な隠れ状態を生成する。 結果として得られる軌道は離散的にサンプリングされ、標準的な音響デコーダパイプラインに統合される。 客観的な結果はCDEと典型的なリカレントモデルとは対照的である。 主観的な結果は,CDEに基づく1ステップ1台評価モデルは,強いベースラインに比較して感情表現品質を維持しつつ,合成された感情強度と参照感情強度のランク順一致を改善することができることを示唆している。 半音のステップサイズによる追加実験は、時間分解能がスタイルトラッキングと絶対校正のトレードオフを変えることを示唆している。 これらの結果から, CDE を連続時間および持続時間対応型 TTS のための有望な設計空間として位置づけた。

関連論文リスト

• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• Temporal Contrastive Decoding: A Training-Free Method for Large Audio-Language Models [56.91801348360746]
  大規模な音声言語モデル(LALM)は、音声、音声、音楽にまたがって一般化される。 統一デコーダは 時空間のスムーズなバイアスを示します LALMの学習自由復号法であるemphTemporal Contrastive Decoding (TCD)を提案する。
  論文  参考訳（メタデータ） (2026-04-16T02:30:41Z)
• Adaptive Duration Model for Text Speech Alignment [2.594813802197567]
  音声からテキストへのアライメントは、ニューラルテキストから音声へのアライメント(TTS)モデルの重要な構成要素である。 そこで本研究では,音素レベルの持続時間分布を与えられたテキストで予測できる新しい持続時間予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-30T12:31:11Z)
• Pseudo-Autoregressive Neural Codec Language Models for Efficient Zero-Shot Text-to-Speech Synthesis [64.12708207721276]
  本稿では,AR と NAR を統一した新しい擬似自己回帰(PAR)言語モデリング手法を提案する。 PAR 上に構築した PALLE は 2 段階の TTS システムであり, PAR を初期生成に利用し, NAR を改良する。 実験では、LibriTTSでトレーニングされたPALLEが、大規模データでトレーニングされた最先端システムを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-04-14T16:03:21Z)
• Utilizing Neural Transducers for Two-Stage Text-to-Speech via Semantic Token Prediction [15.72317249204736]
  本稿では,ニューラルトランスデューサを中心とした新しいテキスト音声合成(TTS)フレームワークを提案する。 提案手法では,TSパイプライン全体をセマンティックレベルのシーケンス・ツー・シーケンス・モデリング(seq2seq)ときめ細かな音響モデルステージに分割する。 ゼロショット適応型TS実験の結果,音声品質と話者類似度の観点から,モデルがベースラインを超えていることが判明した。
  論文  参考訳（メタデータ） (2024-01-03T02:03:36Z)
• On the Relevance of Phoneme Duration Variability of Synthesized Training Data for Automatic Speech Recognition [0.552480439325792]
  合成データの時間構造とASRトレーニングとの関係に着目した。 本研究では, 合成データ品質の劣化が, 非自己回帰性TSの持続時間モデルにどの程度影響されているかを示す。 簡単なアルゴリズムを用いて,TTSシステムの音素持続時間分布を実時間に近づける。
  論文  参考訳（メタデータ） (2023-10-12T08:45:21Z)
• Mega-TTS: Zero-Shot Text-to-Speech at Scale with Intrinsic Inductive Bias [71.94109664001952]
  Mega-TTSは、大規模な野生データで訓練された新しいゼロショットTSシステムである。 Mega-TTS はゼロショット TTS 音声編集や言語間 TTS タスクにおいて最先端 TTS システムを超えていることを示す。
  論文  参考訳（メタデータ） (2023-06-06T08:54:49Z)
• End-to-End Text-to-Speech using Latent Duration based on VQ-VAE [48.151894340550385]
  テキスト音声合成(TTS)におけるロバストかつ効率的なアライメントの実現の鍵となる明示的持続時間モデリング 本稿では,時間長をTSの離散潜在変数として組み込んだ明示的持続時間モデルを用いた新しいTSフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-19T15:34:49Z)
• Any-to-Many Voice Conversion with Location-Relative Sequence-to-Sequence Modeling [61.351967629600594]
  本稿では,非並列音声変換手法である非並列音声変換法(seq2seq)を提案する。 本手法では,ボトルネック特徴抽出器(BNE)とセック2セック合成モジュールを組み合わせる。 主観的および主観的評価は,提案手法が自然性と話者類似性の両方において優れた音声変換性能を有することを示す。
  論文  参考訳（メタデータ） (2020-09-06T13:01:06Z)

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。