論文の概要: ParaGeo: Decomposing Paralinguistic Variation into a Shared Latent Geometry

• arxiv url: http://arxiv.org/abs/2610.03125v1
• Date: Fri, 02 Oct 2026 10:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.334888
• Title: ParaGeo: Decomposing Paralinguistic Variation into a Shared Latent Geometry
• Title（参考訳）: ParaGeo: パラ言語的変分を共有潜在幾何学に分解する
• Abstract要約: ParaGeoは、凍結した音声言語モデルにおけるパラ言語的変動の一致した内容の分解である。 GLM-4-Voiceプローブは8つの文にまたがる12のベンチマークファミリーから80の要求された制御にまたがる。
• 参考スコア（独自算出の注目度）: 18.901420508390846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech delivery varies with both the requested paralinguistic attribute and the linguistic content. We introduce ParaGeo, a matched-content decomposition of paralinguistic variation in a frozen speech language model. Synthesized audio tokens are replayed with a fixed listening prompt; pooled key/value (K/V) representations are centered and projected into a shared low-dimensional space. Our GLM-4-Voice probe spans 80 requested controls from 12 benchmark families across eight sentences. With a globally fitted calibration basis, content-held-out centroid accuracy using this basis is 9.49% versus a 1.25% permutation baseline; same-label cross-content cosine similarity is 0.285 versus 0.017, and both conditional permutation tests yield p = 0.001. A separate ten-scenario, six-style probe reveals reproducible contrast directions across scenarios. Static, additive, and temporal interventions produce attribute-, layer-, and schedule-dependent response profiles. These results provide a shared coordinate representation for measuring paralinguistic structure and an empirical starting point for latent speech control. Code is available at https://github.com/yuhanlydia/ParaGeo.
• Abstract（参考訳）: 音声配信は、要求されるパラ言語的属性と言語内容の両方によって異なる。 凍結した音声言語モデルにおけるパラ言語的変動の一致した内容の分解であるParaGeoを紹介する。 合成オーディオトークンを固定されたリスニングプロンプトで再生し、プールされたキー/値(K/V)表現を中心とし、共有低次元空間に投影する。 GLM-4-Voiceプローブは8つの文にまたがる12のベンチマークファミリーから80の要求された制御にまたがる。 グローバルに調整されたキャリブレーションベースでは、このベースを使用したコンテンツ保持型セントロイド精度は9.49%、置換ベースラインは1.25%であり、同じラベルのクロスコンテントコサイン類似度は0.285対0.017であり、条件付き置換試験でp = 0.001となる。 別個の10シナリオ6スタイルのプローブは、シナリオ間で再現可能なコントラスト方向を示す。 静的、追加的、時間的介入は属性、レイヤ、スケジュールに依存したレスポンスプロファイルを生成する。 これらの結果は、パラ言語構造を測定するための共有座標表現と、潜在音声制御のための経験的出発点を提供する。 コードはhttps://github.com/yuhanlydia/ParaGeo.comで入手できる。

関連論文リスト

• A Harness for Synthesizing Diverse Naturalistic Full-Duplex Conversations [17.048567633179037]
  本稿では,リレーショナルイベントリストから意図抽出2チャンネル会話音声を合成するためのパイプラインを提案する。 イベントは独立して合成され、ソーステキストと一致し、共有クロック上に置かれ、ターンテイキングランドマークが測定される。 パイプラインは英語とマンダリンの8つの家族の42をカバーしている。
  論文  参考訳（メタデータ） (2026-09-23T21:38:54Z)
• IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
  我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。 セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
  論文  参考訳（メタデータ） (2026-08-17T09:50:52Z)
• Content is What Remains: Invariant Speech Tokenization from Parallel Utterances [8.166364251367627]
  PINTはSSLエンコーダを微調整し、並列発話におけるアライメント損失と、この共有残基を蒸留するために拡張する。 ASRテキストとは異なり、PINTトークンはフレームレベルの時間的グラウンドを保持し、オーディオコーデックのドロップインセマンティックターゲットとして機能する。
  論文  参考訳（メタデータ） (2026-07-21T12:19:38Z)
• Concepts Whisper While Syntax Shouts: Spectral Anti-Concentration and the Dual Geometry of Transformer Representations [0.0]
  5つのアーキテクチャファミリにまたがる残留ストリーム差分ベクトルでは,反集束が観察される。 その結果、コンテクスト化された処理中に意味内容をスペクトル的に静かな領域に回転させることが示唆された。
  論文  参考訳（メタデータ） (2026-05-02T21:20:55Z)
• VocSim: A Training-free Benchmark for Zero-shot Content Identity in Single-source Audio [1.0791267046450075]
  VocSimは、凍結埋め込みの固有の幾何学的アライメントを探索するトレーニング不要のベンチマークである。 VocSimは、人間のスピーチ、動物の発声、環境音にまたがる19のコーパスから125万のソースクリップを集約する。
  論文  参考訳（メタデータ） (2025-12-10T22:13:12Z)
• AlignSTS: Speech-to-Singing Conversion via Cross-Modal Alignment [67.10208647482109]
  STS音声変換タスクは,音声録音に対応する歌唱サンプルを生成することを目的としている。 本稿では,明示的なクロスモーダルアライメントに基づくSTSモデルであるAlignSTSを提案する。 実験の結果、AlignSTSは客観的メトリクスと主観的メトリクスの両方で優れたパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2023-05-08T06:02:10Z)
• Parameter Space Factorization for Zero-Shot Learning across Tasks and Languages [112.65994041398481]
  本稿では,ニューラルパラメータの空間に対するベイズ生成モデルを提案する。 タスク言語の組み合わせから得られたデータに基づいて、そのような潜伏変数よりも後部を推測する。 我々のモデルは、最先端のゼロショットの言語間転送手法よりも、同等か良い結果が得られる。
  論文  参考訳（メタデータ） (2020-01-30T16:58:56Z)

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。