論文の概要: Accent Analogy Guidance: More Speaker Similarity at Equal Accent in Cross-Lingual Voice Cloning

• arxiv url: http://arxiv.org/abs/2609.29123v1
• Date: Thu, 24 Sep 2026 06:58:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.760822
• Title: Accent Analogy Guidance: More Speaker Similarity at Equal Accent in Cross-Lingual Voice Cloning
• Title（参考訳）: アクセント・アナロジー・ガイダンス: 言語間音声対話における等間隔アクセントにおける話者類似性の向上
• Abstract要約: 我々はアクセント類似誘導(AAG)を提案する。 AAGは、モデル自身の予測から推定されるアクセント方向を、両方の言語で描画された1つの合成音声に対して減算する。 我々はその曲線上の話者類似度を等アクセントで評価する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In cross-lingual zero-shot text-to-speech, the accent of the reference leaks into the target speech. We propose accent analogy guidance (AAG), a training-free sampler term that subtracts an accent direction estimated from the model's own predictions for one synthetic voice rendered in both languages, so the voice cancels and only the accent remains. By a blind LLM accent judge on real dubbing data, reweighting classifier-free guidance between reference and text, and its variants, stay near one identity-accent trade-off curve; we score a method by its speaker similarity above that curve at equal accent ($Δ$SIM). Across four open TTS models AAG lies above the curve: on OmniVoice $Δ$SIM is +0.11 to +0.27 on three test sets (accent 3.51 to 4.28 on a 1-5 scale at speaker similarity 0.29, where reweighting keeps 0.02); MaskGCT and CosyVoice 2 also lie above their curves, and on F5-TTS it is more native than any reweighting setting. An LLM-free language-ID measure and a twelve-listener panel agree. A premise test and the reach of a model's own curve indicate in advance whether and roughly how much AAG can gain, predicting the one model where it gains nothing (X-Voice).
• Abstract（参考訳）: 言語間ゼロショットテキスト音声では、参照のアクセントがターゲット音声に漏れる。 両言語で表現された1つの合成音声に対するモデル独自の予測から推定されるアクセント方向を減じる訓練不要なサンプル語であるアクセント類似誘導(AAG)を提案する。 実ダビングデータに基づいて視覚的LLMアクセントを判定し、参照とテキスト間の無分類ガイダンスの再重み付けを行い、その変種は1つのアイデンティティアクセントトレードオフ曲線に近づき、その曲線上の話者類似度を同じアクセント(Δ$SIM)で評価する。 OmniVoice $Δ$SIM is +0.11 to +0.27 on three test set (acent 3.51 to 4.28 on a 1-5 scale at speaker similarity 0.29, where reweighting keep 0.02), MaskGCT and CosyVoice 2 is on their curves and on F5-TTS is more native than any reweighting set。 LLMフリー言語ID尺度と12リスナーパネルが一致している。 前提テストとモデル自身の曲線の到達度は、AAGがどれだけの量を獲得できるかを事前に示し、それが何も得られない(X-Voice)1つのモデルを予測します。

関連論文リスト

• X-Voice: Enabling Everyone to Speak 30 Languages via Zero-Shot Cross-Lingual Voice Cloning [62.740127542449166]
  X-Voiceは、任意の音声をクローンし、誰でも30の言語を話せる多言語ゼロショット音声クローンモデルである。 X-Voiceは国際音声アルファベット(IPA)を統一表現として420K時間多言語コーパスで訓練されている。
  論文  参考訳（メタデータ） (2026-05-07T02:57:53Z)
• LASE: Language-Adversarial Speaker Encoding for Indic Cross-Script Identity Preservation [0.0]
  話者エンコーダは、音声が発声されたスクリプトに関係なく、同じ話者を同一に扱うべきである。 オフザシェルフエンコーダは使用せず、失敗はアクセント条件である。 凍結したWavLMベースプラスを2つの損失で訓練した小型プロジェクションヘッドであるLASEを提示する。
  論文  参考訳（メタデータ） (2026-05-01T16:46:25Z)
• CosyVoice 3: Towards In-the-wild Speech Generation via Scaling-up and Post-training [70.31925012315064]
  野生におけるゼロショット多言語音声合成のための改良モデルであるCosyVoice 3を提案する。 CosyVoice 3の主な特徴は、韻律自然性を改善する新しい音声トークンである。 データは1万時間から100万時間に拡張され、9つの言語と18の中国語方言を含んでいる。
  論文  参考訳（メタデータ） (2025-05-23T07:55:21Z)
• FunAudioLLM: Voice Understanding and Generation Foundation Models for Natural Interaction Between Humans and LLMs [63.8261207950923]
  FunAudioLLMは、人間と大規模言語モデル(LLM)の間の自然な音声相互作用を強化するために設計されたモデルファミリーである 中心となる2つの革新的なモデルとして、多言語音声認識、感情認識、音声イベント検出を処理するSenseVoiceと、複数の言語、音色、話し方、話者識別を制御した自然言語生成を容易にするCosyVoiceがある。 SenseVoiceとCosyVoiceに関連するモデルは、GitHubでリリースされたトレーニング、推論、微調整コードとともに、ModelscopeとHuggingfaceでオープンソース化されている。
  論文  参考訳（メタデータ） (2024-07-04T16:49:02Z)
• SC VALL-E: Style-Controllable Zero-Shot Text to Speech Synthesizer [0.0]
  表現型音声合成モデルは、データセットに多様な話者、様々な感情、異なる話し方を加えたコーパスを追加することで訓練される。 本稿では,ニューラルネットワークモデル(VALL-E)に基づくスタイル制御(SC)VALL-Eモデルを提案する。 提案したSC VALL-Eは、テキストから入力を受け、音声をプロンプトし、制御可能な音声を生成するように設計されている。
  論文  参考訳（メタデータ） (2023-07-20T03:28:06Z)
• ACE-VC: Adaptive and Controllable Voice Conversion using Explicitly Disentangled Self-supervised Speech Representations [12.20522794248598]
  自己教師付き学習で訓練された音声表現を用いたゼロショット音声変換法を提案する。 我々は,発話を言語内容,話者特性,発話スタイルなどの特徴に分解するマルチタスクモデルを開発した。 次に,その表現から音声信号を効果的に再構成できるピッチと時間予測器を備えた合成モデルを開発する。
  論文  参考訳（メタデータ） (2023-02-16T08:10:41Z)
• Explicit Intensity Control for Accented Text-to-speech [65.35831577398174]
  TTSの過程におけるアクセントの強度の制御は、非常に興味深い研究方向である。 近年の作業は、話者とアクセント情報をアンタングルし、そのアクセント強度を制御するために損失重量を調整するために、話者対アダルロスを設計している。 本稿では,アクセント付きTSのための直感的かつ明示的なアクセント強度制御方式を提案する。
  論文  参考訳（メタデータ） (2022-10-27T12:23:41Z)

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。