論文の概要: Beyond the Benchmark: Conditioning, Domains and Failure Modes of Qwen3-TTS

• arxiv url: http://arxiv.org/abs/2610.23678v1
• Date: Fri, 16 Oct 2026 16:09:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.01755
• Title: Beyond the Benchmark: Conditioning, Domains and Failure Modes of Qwen3-TTS
• Title（参考訳）: ベンチマークを超えて - Qwen3-TTSのコンディショニング、ドメイン、障害モード
• Abstract要約: Qwen3-TTSは最先端のゼロショット音声クローンを報告している。 その技術的報告は、どのようにモデルを条件付けすべきかを公開している。
• 参考スコア（独自算出の注目度）: 17.372253940375263
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Qwen3-TTS reports state-of-the-art zero-shot voice cloning, but its technical report leaves open how the model should be conditioned, how it behaves outside read speech, and how it fails. We characterise its two cloning interfaces, in-context learning (ICL) and X-Vector, against Chatterbox, XTTS-v2 and F5-TTS on read, meeting, emotional and air-traffic-control (ATC) speech, using eighteen objective measures, an LLM judge, a spoofing countermeasure and a listening test. Neither interface dominates: ICL clones timbre more closely from correctly transcribed references, X-Vector clones timing, and ICL degrades sharply when a short reference transcript is wrong. Domain explains four times more variance than system choice. Qwen3-TTS leads on intelligibility and pitch register but trails on prosody, and the objective measures rank systems differently from listeners. An off-the-shelf countermeasure flags its clones no more often than genuine recordings, and on ATC radio it fails for every system. Code and audio are released.
• Abstract（参考訳）: Qwen3-TTSは、最先端のゼロショット音声クローンを報告しているが、その技術的報告は、モデルがどのようにコンディションされるべきか、どのようにして読み上げ音声の外で振る舞うのか、どのように失敗するかを公表していない。 我々は,その2つのクローンインタフェース,ICL,X-Vector,Chatterbox,XTTS-v2,F5-TTSを,客観評価,LLM判定,スプーフィング対策,リスニングテストを用いて,読み,ミーティング,感情,航空管制(ATC)音声で特徴付ける。 ICLクローンは正しく転写された参照から、X-Vectorクローンはタイミングから、ICLクローンは短い参照書き起こしが間違っていれば、急激に劣化する。 ドメインはシステム選択の4倍のばらつきを説明します。 Qwen3-TTSはインテリジェンスとピッチレジスタに導かれるが,プロソディに追従する。 オフ・ザ・シェルフ対策はクローンを本物の録音に限らず警告するものであり、ATCラジオでは全てのシステムで故障する。 コードとオーディオがリリースされている。

関連論文リスト

• Tacit-TTS: From Autoregressive Decoding to Masked Prediction for Efficient Transcript-Free Voice Cloning [6.406058145402152]
  IndexTTS2から抽出した効率的な転写不要ゼロショット音声クローニングシステムであるTacit-TTSについて述べる。 我々のモデルは,自己回帰型テキスト・セマンティックデコーディングをマスク付き非自己回帰型生成に置き換える。 転写のない条件付けは、言語間および非語彙間の参照もサポートする。
  論文  参考訳（メタデータ） (2026-09-29T23:25:21Z)
• Zero-Shot Temporal Localisation of Audio Deepfakes in Multi-Speaker Conversations [4.152774504513197]
  トレーニングフリーの5段階パイプラインは凍結されたバイナリ検出器をラップし、再トレーニングなしでセグメントレベルの出力を追加する。 ASVspoof 5からの180の複数話者会話では、強いバックボーンを持つ時間交叉対結合0.90、時間検出率0.95、MS-DCF0.26が達成された。 実際の発話における偽アラームレートは6%未満であり、真のマルチ話者対話(AMI)では2%以下である。 同一のパイプラインの下では、訓練されたローカライザが時間IoUを約0.04改善し、監督を継続するコストを抑える。
  論文  参考訳（メタデータ） (2026-09-09T11:27:26Z)
• Confucius4-TTS: Transcript-Free Cross-Lingual Zero-Shot TTS with a Learnable Speaker Encoder [14.769480661437774]
  14言語をサポートするゼロショット音声合成システムConfucius4-TTSを提案する。 音声プロンプトの書き起こしを必要とせず、言語内および言語間参照クローンを実行する。 公開ベンチマークにおいて高い知性と話者類似性を実現する。
  論文  参考訳（メタデータ） (2026-08-12T04:48:29Z)
• TRADE: Transducer-Augmented Decoder for Speech LLM [52.69726809996728]
  音声大言語モデル(Speech LLM)は、ストリーミング推論の原理的なメカニズムを欠いている。 音声エンコーダを共有するトランスデューサブランチでマルチモーダルLLMを増強するTRADE TRansducer-Augmented DEcoderを提案する。 3つの設計上の選択により、システムは正確で、ストリーミング可能で、長い形にすることができる。
  論文  参考訳（メタデータ） (2026-06-07T07:15:34Z)
• Who Spoke What When? Evaluating Spoken Language Models for Conversational ASR with Semantic and Overlap-Aware Metrics [99.89493037369071]
  音声の重複や遠距離雑音,話者数の変化など,会話の自動音声認識は依然として困難である。 近年のLCMベースのシステムは単一話者のベンチマークでは良好に動作するが、マルチ話者設定におけるロバスト性は不明確である。 重なり、意味的忠実度、話者数、シングルチャンネルとマルチチャネル入力の4つの軸に沿って、LLMベースのアプローチとモジュラーアプローチを体系的に比較する。
  論文  参考訳（メタデータ） (2026-03-24T02:01:21Z)
• Qwen3-TTS Technical Report [64.94647392030824]
  本稿では,Qwen3-TTSシリーズについて述べる。 Qwen3-TTSは最先端の3秒間音声クローニングと記述ベースの制御をサポートする。 Qwen3-TTSは、2つの音声トークンとともに、リアルタイム合成のためのデュアルトラックLMアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2026-01-22T03:51:43Z)
• VALL-E R: Robust and Efficient Zero-Shot Text-to-Speech Synthesis via Monotonic Alignment [101.2489492032816]
  VALL-E Rは、堅牢で効率的なゼロショットテキスト音声合成システムである。 この研究は、失語症に罹患した人々のためのスピーチの作成を含む有意義なプロジェクトに適用される可能性がある。
  論文  参考訳（メタデータ） (2024-06-12T04:09:44Z)
• Learning from Flawed Data: Weakly Supervised Automatic Speech Recognition [30.544499309503863]
  自動音声認識(ASR)システムの訓練には、大量の精度の高いペアデータが必要である。 人間のアノテーションは通常 "non-verbatim" の転写を行います。 オムニ時間分類(Omni-temporal Classification,OTC)は,ラベルの不確かさを明確に組み込んだ訓練基準である。
  論文  参考訳（メタデータ） (2023-09-26T12:58:40Z)
• 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)
• Unsupervised Text-to-Speech Synthesis by Unsupervised Automatic Speech Recognition [60.84668086976436]
  教師なし音声合成システム(TTS)は、言語中の任意の文章に対応する音声波形を生成することを学習する。 本稿では、教師なし自動音声認識(ASR)の最近の進歩を活用して、教師なしTSシステムを提案する。 教師なしシステムでは、7つの言語で約10～20時間の音声で教師付きシステムに匹敵する性能を達成できる。
  論文  参考訳（メタデータ） (2022-03-29T17:57:53Z)
• NAUTILUS: a Versatile Voice Cloning System [44.700803634034486]
  NAUTILUSは、任意のソーススピーカのテキスト入力または参照発話から、ターゲット音声で音声を生成することができる。 バックプロパゲーションアルゴリズムに基づいて、ターゲット話者の未転写音声を用いて、未知の声をクローンすることができる。 最新技術であるTSやVCシステムと同等のクオリティを達成し、翻訳されていない音声を5分でクローンする。
  論文  参考訳（メタデータ） (2020-05-22T05:00:20Z)

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。