論文の概要: Interpretable Singing Emotion Recognition Using Acoustic and Vocal Technique Features

• arxiv url: http://arxiv.org/abs/2610.32629v1
• Date: Fri, 23 Oct 2026 13:42:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.532183
• Title: Interpretable Singing Emotion Recognition Using Acoustic and Vocal Technique Features
• Title（参考訳）: 音響的・音声的特徴を用いた歌声感情認識
• Abstract要約: 本稿では,歌唱特化記述子のコンパクトなセットを用いた歌唱感情認識フレームワークを提案する。 我々は、SHAPを用いてGRAD-CAMを用いて、音声技法の学習表現を質的に評価する。
• 参考スコア（独自算出の注目度）: 9.63181212295028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Singing emotion recognition relies predominantly on deep learning models that achieve strong performance but offer limited insight into the vocal characteristics driving emotion, of- ten overlooking the singing voice as a distinct signal. We propose an interpretable singing emotion recognition framework using a compact set of singing-specific descriptors across prosody, spec- tral features, phonetics, and vocal technique. To decode model decisions and link predictions to measurable acoustic phenomena, we employ SHAP and apply GRAD-CAM to qualitatively assess the learned representations of vocal techniques. Evaluations show that singing-specific features reduce cross-singer variability, while vocal technique descriptors provide interpretable insights into singing expression. Furthermore, out-of-domain evaluation on VocalSet reveals interesting associations between emotional expression and ground-truth technical execution. The analysis highlights vibrato and pharyngeal techniques as salient cues of emotional delivery, with SHAP indicating that vibrato is context-dependent on articulation rate. These findings emphasize the value of domain-specific features for interpretable singing emotion analysis.
• Abstract（参考訳）: 歌唱感情認識は、強いパフォーマンスを達成するが、感情を駆動する声の特徴について限られた洞察を与える深層学習モデルに大きく依存する。 本稿では, 韻律, スペックトラル特徴, 音声学, 発声技術にまたがる, 歌唱特有の記述子のコンパクトなセットを用いた歌唱感情認識フレームワークを提案する。 モデル決定と予測を計測可能な音響現象に関連付けるために,SHAPを用い,GRAD-CAMを用いて音声技法の学習表現を定性的に評価する。 歌唱特有の特徴は歌唱の多様性を減らし,歌唱技法記述子は歌唱表現に対する解釈可能な洞察を与える。 さらに、VocalSetのドメイン外評価は、感情表現と根本的技術的実行の興味深い関連を明らかにしている。 この分析は、ビブラートと咽頭技法を感情伝達の健全な手がかりとして強調し、SHAPはビブラートが調音率に依存していることを示している。 これらの知見は,歌唱感情分析におけるドメイン固有の特徴の意義を強調した。

関連論文リスト

• Machine Learning Approaches to Vocal Register Classification in Contemporary Male Pop Music [49.1574468325115]
  ポップミュージックでは、1人のアーティストが好みの質を達成するために様々な音色やテクスチャを使用する場合があり、歌手が使用するボーカル範囲内でのボーカルレジスタを特定することは困難である。 本稿では,メル・スペクトログラム画像のテクスチャ的特徴の分析を通じて,男性ポップミュージックの音声信号に声帯を分類する2つの方法を提案する。
  論文  参考訳（メタデータ） (2025-05-16T15:41:28Z)
• StyleSinger: Style Transfer for Out-of-Domain Singing Voice Synthesis [63.18764165357298]
  ドメイン外歌唱音声合成(SVS)のためのスタイル転送は、目に見えないスタイルで高品質な歌唱音声を生成することに焦点を当てている。 StyleSingerは、ドメイン外参照音声サンプルのゼロショットスタイル転送のための最初の歌声合成モデルである。 ゼロショット・スタイル・トランスファーにおける評価は、StyleSingerが基準歌唱音声サンプルの音質と類似性の両方でベースライン・モデルより優れていることを不確実に証明している。
  論文  参考訳（メタデータ） (2023-12-17T15:26:16Z)
• Prompting Audios Using Acoustic Properties For Emotion Representation [36.275219004598874]
  感情を表現するために自然言語記述(あるいはプロンプト)の使用を提案する。 我々は、ピッチ、強度、発話速度、調音率などの感情に相関する音響特性を用いて、自動的にプロンプトを生成する。 その結果,様々なPrecision@K測定値において,音響的プロンプトがモデルの性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2023-10-03T13:06:58Z)

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。