論文の概要: XSQ-AST: An Explainable Audio Spectrogram Transformer Framework for Localising Synthetic Speech Artifacts

• arxiv url: http://arxiv.org/abs/2609.24770v1
• Date: Mon, 21 Sep 2026 15:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.360125
• Title: XSQ-AST: An Explainable Audio Spectrogram Transformer Framework for Localising Synthetic Speech Artifacts
• Title（参考訳）: XSQ-AST:合成音声アーティファクトの局在化のための説明可能な音声スペクトログラム変換フレームワーク
• Abstract要約: XSQ-ASTは、SQ-AST音声品質モデルとWhisperX音素アライメントとを組み合わせたフレームワークで、モデル再トレーニングなしで時間的局所診断成果物を生成する。 アテンション・ロールアウト、アテンション・フロー、そして適応されたGradCAMは、異なるアーティファクトタイプに最も適した異なるメソッドで、リスナーのハイライトと相関する時間分布を生成した。
• 参考スコア（独自算出の注目度）: 0.16693348980124487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Localising artifacts in synthetic speech remains challenging, as most evaluation methods yield only global quality scores. This paper presents XSQ-AST, a framework that combines the SQ-AST speech quality model with WhisperX phoneme alignment and multiple saliency methods to produce temporally localised artifact diagnostics without model retraining. Saliency maps are projected onto continuous distributions via kernel density estimation and onto phoneme boundaries via phoneme-discretised saliency maps. A 40-participant listening test validated the framework across five perceptual dimensions. Attention Rollout, Attention Flow and an adapted GradCAM produced temporal distributions that correlated with listener highlights, with different methods best suited to different artifact types. An AUC-ROC analysis confirmed discrimination above chance.
• Abstract（参考訳）: 合成音声におけるアーティファクトのローカライズは依然として困難であり、ほとんどの評価手法はグローバルな品質スコアしか得られない。 本稿では,SQ-AST音声品質モデルとWhisperX音素アライメントを組み合わせたフレームワークであるXSQ-ASTについて述べる。 サリエンシマップは、カーネル密度推定によって連続分布に投影され、音素分別サリエンシマップを介して音素境界に投影される。 40名の被験者による聴取テストでは,5つの知覚次元にまたがる枠組みが検証された。 アテンション・ロールアウト、アテンション・フロー、そして適応されたGradCAMは、異なるアーティファクトタイプに最も適した異なるメソッドで、リスナーのハイライトと相関する時間分布を生成した。 AUC-ROC分析では、偶然に差別が認められた。

関連論文リスト

• APEX: Audio Prototype EXplanations for Classification Tasks [4.385522611751555]
  APEX (Audio Prototype Explanations) は、事前訓練されたオーディオ分類器を解釈するためのフレームワークである。 説明は4つの視点に分かれている: 一時的なイベントをローカライズするためのスクエアベースのプロトタイプ、時間ベースの時間パターン、周波数ベースのスペクトルバンドのハイライト、時間ベースの統合。 標準勾配法よりも意味的明瞭度が高い。
  論文  参考訳（メタデータ） (2026-05-11T08:00:38Z)
• TRACE: Training-Free Partial Audio Deepfake Detection via Embedding Trajectory Analysis of Speech Foundation Models [6.951909224842812]
  本研究では, TRACE (Training-free Representation-based Audio Countermeasure via Embedding dynamics) を提案する。 TRACEは、トレーニング、ラベル付きデータ、アーキテクチャの変更なしに、凍結音声基礎モデルの表現の1次ダイナミクスを分析する。 6つの音声基礎モデルを用いて2言語にまたがる4つのベンチマークでTRACEを評価した。
  論文  参考訳（メタデータ） (2026-04-01T16:12:31Z)
• SCENEBench: An Audio Understanding Benchmark Grounded in Assistive and Industrial Use Cases [27.340743922132067]
  SCENEBenchは、背景音の理解、雑音の局所化、言語間音声の理解、発声者認識という4つの現実世界のカテゴリーにまたがる音声理解の幅広い形態をターゲットにしている。 このベンチマークスイートの目的は、発言される単語だけでなく、その発言の仕方や音声の非音声成分を評価することである。 我々は5つの最先端のLALMを評価し、重要なギャップを見出す: タスクによってパフォーマンスが異なり、いくつかのタスクはランダムな確率以下で実行され、他のタスクは高い精度を達成する。
  論文  参考訳（メタデータ） (2026-03-10T16:15:12Z)
• Adaptive Evidence Weighting for Audio-Spatiotemporal Fusion [0.0]
  生物音響分類では、音波信号と、位置と季節としての文脈の両方から種識別が推測される。 本稿では,事前学習したテキスト音声分類器と時間的予測器を統合した適応型対数線形エビデンス融合フレームワークFINCHを紹介する。 FINCHは固定重融合とオーディオのみのベースラインを一貫して上回り、堅牢性とエラーのトレードオフを改善している。
  論文  参考訳（メタデータ） (2026-02-03T18:21:13Z)
• Representation-Regularized Convolutional Audio Transformer for Audio Understanding [53.092757178419355]
  スクラッチからのブートストラップ表現は計算に高価で、しばしば収束するために広範囲のトレーニングを必要とします。 本稿では,これらの課題に対処するための統合フレームワークであるConvolutional Audio Transformer (CAT)を提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:16:19Z)
• A Framework for Evaluating Faithfulness in Explainable AI for Machine Anomalous Sound Detection Using Frequency-Band Perturbation [37.2521660642532]
  機械音響解析におけるXAI忠実度を評価するための新しい定量的枠組みを提案する。 我々は,XAI技術が信頼性に違いがあることを示し,Occlusionは真のモデル感度と最強のアライメントを示す。
  論文  参考訳（メタデータ） (2026-01-26T23:06:50Z)
• PrismAudio: Decomposed Chain-of-Thoughts and Multi-dimensional Rewards for Video-to-Audio Generation [57.864929968616586]
  Video-to-Audio (V2A) の生成には、4つの重要な知覚次元のバランスが必要である。 私たちは、強化学習をV2A世代に統合する最初のフレームワークであるPrismAudioを紹介します。
  論文  参考訳（メタデータ） (2025-11-24T07:11:12Z)
• AIR-Bench: Benchmarking Large Audio-Language Models via Generative Comprehension [95.8442896569132]
  AIR-Benchは,Large Audio-Language Models (LALM) の様々な種類の音声信号を理解し,テキスト形式で人間と対話する能力を評価する最初のベンチマークである。 その結果, GPT-4による評価と人間による評価との間には高い一貫性が認められた。
  論文  参考訳（メタデータ） (2024-02-12T15:41:22Z)
• 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。