論文の概要: Anatomy-aware cross-speaker adaptation of complete vocal-tract acoustic-to-articulatory inversion

• arxiv url: http://arxiv.org/abs/2609.29766v1
• Date: Thu, 24 Sep 2026 13:14:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.946959
• Title: Anatomy-aware cross-speaker adaptation of complete vocal-tract acoustic-to-articulatory inversion
• Title（参考訳）: 完全声道音響-調音インバージョンにおける解剖学的認識型クロススピーカー適応
• Abstract要約: 話者間音響-調音インバージョンでは、話者間の解剖学的差異を考慮する必要がある。 本稿では, 解剖学的ランドマーク(主に脊椎と歯科構造)を用いて, 固定反転モデルから未知話者への予測を伝達する幾何学的適応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.1034835628867463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-speaker acoustic-to-articulatory inversion requires accounting for anatomical differences between speakers. We propose a geometric adaptation framework that uses anatomical landmarks, primarily on vertebrae and dental structures,to transfer predictions from a fixed inversion model to unseen speakers. An affine transformation followed by thin-plate spline (TPS) deformation maps the predicted contours of 10 vocal-tract structures into each target speaker's geometry without retraining. Landmarks are identified in one selected /u/ frame per speaker as a common phonetic reference without assuming identical articulatory configurations across speakers, and the resulting mapping is reused across recordings. We train the model on a single-speaker rt-MRI database and evaluate adaptation on eight speakers from a separate multi-speaker rt-MRI database. We compare affine and TPS configurations using 12 or 14 landmarks. Affine12+TPS14 achieves the lowest mean point-to-closest-point error of 3.19mm. These results support the combined value of anatomical landmark information and nonrigid alignment.
• Abstract（参考訳）: 話者間音響-調音インバージョンでは、話者間の解剖学的差異を考慮する必要がある。 本稿では, 解剖学的ランドマーク(主に脊椎と歯科構造)を用いて, 固定反転モデルから未知話者への予測を伝達する幾何学的適応フレームワークを提案する。 アフィン変換と薄板スプライン(TPS)変形は、10個の声道構造の予測輪郭をターゲット話者の幾何に再学習せずにマッピングする。 ランドマークは、話者ごとの1つの選択された/u/フレームにおいて、話者間で同一の調音構成を仮定することなく共通の音素参照として識別され、その結果のマッピングは録音間で再利用される。 我々は、単一話者rt-MRIデータベース上でモデルを訓練し、8つの話者に対する適応性を評価し、個別のマルチ話者rt-MRIデータベースから評価する。 12か14のランドマークを用いてアフィンとTPSの構成を比較した。 Affine12+TPS14は3.19mmの最低平均点対閉点誤差を達成する。 これらの結果は解剖学的ランドマーク情報と非剛性アライメントの結合値を支持する。

関連論文リスト

• Structured Phonological Representations for Audio-Articulatory rtMRI Speech Classification [9.697606604686817]
  リアルタイムMRIでは音声中の声道調音を観察できるが、これらの調音パターンを音韻・音韻のカテゴリーにマッピングすることは困難である。 構造的音韻特徴を認識するために訓練された音声ベースモデルであるPhonoQが、音響調音モデルに有用な情報を提供するかどうかを検討する。
  論文  参考訳（メタデータ） (2026-08-10T15:58:07Z)
• Disentangling Voice and Content with Self-Supervision for Speaker Recognition [57.446013973449645]
  本稿では,音声における話者の特性と内容の変動を同時にモデル化するアンタングル化フレームワークを提案する。 実験はVoxCelebとSITWのデータセットで実施され、EERとminDCFの平均減少率は9.56%と8.24%である。
  論文  参考訳（メタデータ） (2023-10-02T12:02:07Z)
• Residual Adapters for Few-Shot Text-to-Speech Speaker Adaptation [21.218195769245032]
  本稿では,残差アダプタと呼ばれるトレーニング可能な軽量モジュールでバックボーンモデルを拡張したパラメータ効率の低い少数話者適応を提案する。 実験結果から,提案手法は完全微調整手法と比較して,競合自然性や話者類似性を実現できることが示された。
  論文  参考訳（メタデータ） (2022-10-28T03:33:07Z)
• Exploiting Cross-domain And Cross-Lingual Ultrasound Tongue Imaging Features For Elderly And Dysarthric Speech Recognition [55.25565305101314]
  調音機能は音響信号歪みに不変であり、音声認識システムにうまく組み込まれている。 本稿では,A2Aモデルにおける24時間TaLコーパスの並列音声・超音波舌画像(UTI)データを利用したクロスドメインおよびクロスランガルA2Aインバージョン手法を提案する。 生成した調音機能を組み込んだ3つのタスクの実験は、ベースラインのTDNNとコンフォーマーASRシステムより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-06-15T07:20:28Z)
• Exploiting Cross Domain Acoustic-to-articulatory Inverted Features For Disordered Speech Recognition [57.15942628305797]
  調音機能は音響信号歪みに不変であり、正常音声の自動音声認識システムにうまく組み込まれている。 本稿では,15時間 TORGO コーパスの並列音響・調音データをモデルトレーニングに用いるクロスドメイン音響・調音(A2A)インバージョン手法を提案する。 クロスドメインは102.7時間のUASpeechコーパスに適応し、調音的特徴を生産する。
  論文  参考訳（メタデータ） (2022-03-19T08:47:18Z)
• Continuous Speech Separation with Conformer [60.938212082732775]
  分離システムでは、リカレントニューラルネットワークの代わりにトランスとコンバータを用いる。 我々は,自己注意に基づく方法でグローバルな情報を取得することが,音声分離に不可欠であると信じている。
  論文  参考訳（メタデータ） (2020-08-13T09:36:05Z)

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。