論文の概要: Learnable Classifier-Free Guidance Null Embeddings for Enhanced Controllable Speech Synthesis

• arxiv url: http://arxiv.org/abs/2609.25411v1
• Date: Mon, 21 Sep 2026 21:09:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.117101
• Title: Learnable Classifier-Free Guidance Null Embeddings for Enhanced Controllable Speech Synthesis
• Title（参考訳）: 制御可能な音声合成のための学習可能なクラシファイアフリー誘導核埋め込み
• Abstract要約: 学習可能なヌル埋め込みは、話者の類似性、音声の安定性、表現力にまたがる固定ヌル埋め込みを一貫して上回る。 TTS条件付モダリティごとに異なる非条件埋め込みを学習することで、話者とテキストのガイダンスをきめ細やかな制御が可能であることを示す。
• 参考スコア（独自算出の注目度）: 6.716514469991669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifier-free Guidance (CFG) is widely adopted in text-to-speech (TTS) systems to enhance generation quality and conditioning fidelity by interpolating between conditioned and unconditioned predictions. A common unconditional technique is to use an empty representation, in the form of a fixed null vector. In this work, we propose replacing this representation with a learnable unconditional embedding, optimized to represent a meaningful unconditional state. Objective and subjective evaluations demonstrate that learnable null embeddings consistently outperform fixed null embeddings across speaker similarity, speech stability, and expressiveness, while exhibiting greater robustness to larger guidance scales. We further show that learning a distinct unconditional embedding for each of the TTS conditioning modalities allows fine-grained control over speaker and text guidance, showcasing the trade-off between similarity and quality, and stability and expressiveness in the generated speech.
• Abstract（参考訳）: 分類器フリーガイダンス(CFG)は、条件付きと条件なしの予測を補間することにより、生成品質と条件付忠実度を高めるために、テキスト音声(TTS)システムで広く採用されている。 一般的な無条件のテクニックは、空の表現を固定されたヌルベクトルの形で使うことである。 本研究では,この表現を学習可能な非条件埋め込みに置き換え,意味のある非条件状態を表現するよう最適化する。 目的的および主観的な評価は、学習可能なヌル埋め込みが話者の類似性、音声の安定性、表現力にまたがる固定ヌル埋め込みを一貫して上回り、より大きな指導尺度に対してより堅牢性を示すことを示している。 さらに,TTS条件付きモーダルのそれぞれに異なる非条件埋め込みを学習することで,話者とテキストのガイダンスをきめ細かな制御が可能であり,類似性と品質のトレードオフを示し,生成した音声の安定性と表現性を示す。

関連論文リスト

• Balancing Emotional Alignment and Semantic Consistency in Image Generation via Reinforcement Learning with Valence-Arousal Anchoring [55.57242007016976]
  テキスト・ツー・イメージ生成における継続的な感情制御は、プロンプトによって記述されたオブジェクトやレイアウト、シーンを変更することなく、感情的アライメントを改善するモデルを必要とする。 既存の教師付き感情注入法は、しばしば特徴空間プロキシを最適化し、したがって感情のセマンティックドリフトを示す。 本稿では,連続的原子価覚醒条件設定,グループ相対ポリシー最適化,中立的セマンティックアンカーを組み合わせたフローマッチング画像生成フレームワークを用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2026-09-11T13:24:35Z)
• Attention-Guided Reliability Scaling for Contrastive Decoding in Robust Audio-Visual Speech Recognition [50.15288513086986]
  コントラストデコーディング (CD) は、元々は大型言語モデル (LLM) ベースの音声視覚音声認識 (AVSR) システムを安定化するために導入された。 AVSR用CDの信頼性を考慮したスケーリングを提案する。
  論文  参考訳（メタデータ） (2026-08-26T08:25:15Z)
• $C^3$ASD: Multi-Level Consistency-Driven Representation Learning [24.82888020124787]
  アクティブ話者検出は、ビデオ中の可視者が各瞬間に話しているかどうかを判定する。 我々は3つの相補的制約を持つ多レベル一貫性駆動フレームワークである$C3$ASDを提案する。 実験では、さまざまなオーディオ、視覚、関節の破損下での大幅な改善と、クリーンデータの競合性能の維持が示されている。
  論文  参考訳（メタデータ） (2026-07-03T06:53:26Z)
• SCALE: Semantic- and Confidence-Aware Conditional Variational Autoencoder for Zero-shot Skeleton-based Action Recognition [4.853241666510524]
  ゼロショットスケルトンに基づくアクション認識(ZSAR)は、これらのクラスからのトレーニングスケルトンなしでアクションクラスを認識することを目的としている。 本稿では,ZSARをクラス条件エネルギーランキングとして定式化する,軽量で決定論的セマンティックなセマンティック・アンド・信頼を意識したエネルギー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） (2026-04-02T16:12:42Z)
• AGFT: Alignment-Guided Fine-Tuning for Zero-Shot Adversarial Robustness of Vision-Language Models [12.774216017720642]
  事前学習された視覚言語モデル(VLM)は強力なゼロショット一般化を示すが、敵の摂動に弱いままである。 本稿では,アライメントガイド付ファインチューニング(AGFT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-31T08:17:27Z)
• StableToken: A Noise-Robust Semantic Speech Tokenizer for Resilient SpeechLLMs [54.229363096087866]
  音声トークン化器は、意味不明な音響摂動に対して頑健ではない。 この不安定性は、脆い単一パス量子化アーキテクチャと遠い訓練信号の2つの欠陥に由来する。 コンセンサス駆動機構による安定性を実現するトークンライザであるStableTokenを紹介する。
  論文  参考訳（メタデータ） (2025-09-26T11:32:51Z)
• New Insights into Optimal Alignment of Acoustic and Linguistic Representations for Knowledge Transfer in ASR [30.00166986946003]
  我々は、アライメントとマッチングを検出問題とみなすために、新たな洞察を得る。 目標は、高精度で意味のある対応を識別し、言語トークンの完全なカバレッジを確保することである。 分布ミスマッチと構造的非対称性を明示的に扱う不均衡な輸送ベースアライメントモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-06T05:58:52Z)
• Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
  Weak-to-strong Semantics Compensation (WSCo)を導入する。 WSCoは、クラス関連セマンティクスを補う。 WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
  論文  参考訳（メタデータ） (2024-10-07T23:32:06Z)
• High-Quality Automatic Voice Over with Accurate Alignment: Supervision through Self-Supervised Discrete Speech Units [69.06657692891447]
  本稿では,自己教師付き離散音声単位予測の学習目的を活用した新しいAVO手法を提案する。 実験結果から,提案手法は有意な唇音声同期と高音質を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-29T15:02:22Z)
• Controllable speech synthesis by learning discrete phoneme-level prosodic representations [53.926969174260705]
  直感的な離散ラベルを用いたF0と持続時間に対する音素レベル韻律制御のための新しい手法を提案する。 複数話者音声データセットから音素レベルF0と持続時間の特徴を識別するために用いられる教師なし韻律クラスタリングプロセスを提案する。
  論文  参考訳（メタデータ） (2022-11-29T15:43:36Z)
• Cross-Utterance Conditioned VAE for Non-Autoregressive Text-to-Speech [27.84124625934247]
  各音素に対する潜在韻律特徴の後方確率分布を推定するために,発話条件付きVAEを提案する。 CUC-VAEは、発話情報に基づいて、発話固有の事前分布からサンプリングすることができる。 LJ-Speech と LibriTTS のデータによる実験結果から,提案した CUC-VAE TTS システムは自然性や韻律の多様性を向上することが示された。
  論文  参考訳（メタデータ） (2022-05-09T08:39:53Z)

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。