論文の概要: Beyond Utterance-Level Speaker Similarity: Perception-Aligned Segmental Evaluation of Accent in Speech Generation
- arxiv url: http://arxiv.org/abs/2610.37912v1
- Date: Tue, 27 Oct 2026 19:55:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 19:18:22.920844
- Title: Beyond Utterance-Level Speaker Similarity: Perception-Aligned Segmental Evaluation of Accent in Speech Generation
- Title（参考訳）: 発話レベル話者の類似性を超えて:音声生成におけるアクセントの知覚的セグメンテーション評価
- Abstract要約: 本稿では,アクセントとアクセントの類似度評価と,アクセントの違いを認識するサブワードアノテーションを併用したセグメント評価プロトコルを提案する。
話者とアクセントの格付けは依然として強く関連しており、これらのスコアを超えて局所的な知覚的証拠を調べることの価値を強調している。
コードとデータと対話的なデモを公開し、知覚的に接頭したセグメントアクセント評価の開発を支援します。
- 参考スコア（独自算出の注目度）: 19.91652508116876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Utterance-level similarity ratings do not reveal where perceived accent differences occur in generated speech. We introduce a segmental evaluation protocol combining speaker and accent similarity ratings with subword annotations of perceived accent differences provided by listeners from target accent regions. Using newly collected recordings, 47 retained listeners evaluate 200 content-matched reference--candidate pairs spanning four Scottish and Australian voices, two zero-shot TTS systems, and an articulation-based voice conversion system. Subword annotations locate salient pronunciation differences and sometimes yield different system rankings from similarity ratings. Speaker and accent ratings remain strongly associated ($ρ= 0.71$), highlighting the value of examining local perceptual evidence beyond these scores. Evaluation of seven objective distances reveals weak correspondence with subword selections, with correlations reaching at most $ρ= 0.22$. We release code, data, and an interactive demo to support the development of perceptually grounded segmental accent evaluation.
- Abstract（参考訳）: 発話レベルの類似度評価は、生成した音声のアクセント差がどこで発生するかを明らかにしない。
本稿では、話者とアクセントの類似度評価と、ターゲットアクセント領域の聴取者によって提供されるアクセント差を知覚するサブワードアノテーションを組み合わせたセグメント評価プロトコルを提案する。
新たに収集された録音を用いて、47人のリスナーは、スコットランドとオーストラリアの4つの声、ゼロショットTTSシステム、2つの声調ベースの音声変換システムにまたがる200のコンテントマッチングされたレファレンス・カディネート・ペアを評価した。
サブワードアノテーションは発音の違いを識別し、時には類似度評価から異なるシステムランキングを得る。
話者評価とアクセント評価は強く関連している(ρ= 0.71$)。
7つの目的距離の評価は、単語選択と弱い対応を示し、相関は最大$ρ= 0.22$に達する。
コードとデータと対話的なデモを公開し、知覚的に接頭したセグメントアクセント評価の開発を支援します。
関連論文リスト
- Flexible and Interpretable Accent Distance Measurements [34.004131445310215]
音韻研究者は、個々の単語のペア記録における母音フォルマントを比較することでアクセント変動を示すことができる。
これらの結果は解釈可能であるが、録音は収集するのに時間がかかり、接続された音声を表すものではないかもしれない。
アクセント分類タスクから派生したアクセント埋め込みを用いたアクセントテキスト音声合成の研究が進められている。
これらの埋め込みは任意の音声記録から生成できるが、容易には解釈できない。
本稿では,アクセント比較の解釈可能な基盤として,調音反転によって生成した調音表現が利用できることを示す。
論文 参考訳（メタデータ） (2026-09-10T12:32:13Z) - From Seeing it to Experiencing it: Interactive Evaluation of Intersectional Voice Bias in Human-AI Speech Interaction [25.529747060487363]
SpeechLLMsは音声から直接音声言語を処理するが、アクセントと声のアイデンティティーの手がかりはバイアスのある振る舞いにつながる可能性がある。
我々は,コヒーレントアウトプットにおけるコンテンツレベルのバイアスとサービス品質の格差を区別し,アクセントと知覚的性別の交叉効果を検討した。
論文 参考訳（メタデータ） (2026-03-19T21:12:49Z) - On the Relationship between Accent Strength and Articulatory Features [26.865464238029748]
本稿では,アクセント強度と音響音声から推定される調音特徴との関係について検討する。
提案フレームワークは,近年の自己教師付き学習の調音反転手法を利用して,調音特徴を推定する。
その結果,舌の位置決めパターンは2つの方言を区別することが明らかとなった。
論文 参考訳（メタデータ） (2025-07-03T20:08:28Z) - Pairwise Evaluation of Accent Similarity in Speech Synthesis [11.513055793492418]
アクセント類似度に対する主観的評価法と客観的評価法の両方を強化することを目的としている。
我々は、より少ないリスナーと低コストで高い統計的重要性を実現するコンポーネントを追加することで、XABリスニングテストの洗練を図る。
母音フォルマントと音韻後生音との距離に基づいて発音関連指標を用いてアクセント生成を評価する。
論文 参考訳（メタデータ） (2025-05-20T14:23:50Z) - Accent conversion using discrete units with parallel data synthesized from controllable accented TTS [56.18382038512251]
アクセント変換(AC)の目的は、コンテンツと話者のアイデンティティを保ちながら、アクセントを変換することである。
従来の手法では、推論中に参照発話が必要であったり、話者のアイデンティティを十分に保持していなかったり、ネイティブでないアクセントごとにのみトレーニング可能な1対1のシステムを使用していた。
本稿では,これらの問題を克服するために,多くのアクセントをネイティブに変換する,有望なACモデルを提案する。
論文 参考訳（メタデータ） (2024-09-30T19:52:10Z) - Transfer the linguistic representations from TTS to accent conversion
with non-parallel data [7.376032484438044]
アクセント変換は、話者のアイデンティティを保ちながら、ソース音声のアクセントをターゲットアクセントに変換することを目的としている。
本稿ではアクセントに依存しない言語表現を学習するアクセント変換のための新しい非自己回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-07T16:39:34Z) - Accented Speech Recognition With Accent-specific Codebooks [53.288874858671576]
音声アクセントは最先端の自動音声認識(ASR)システムに重大な課題をもたらす。
あまり表現されないアクセントによる性能低下は、ASRの包括的採用に対する深刻な抑止力である。
トレーニング可能なコードブックを用いたクロスアテンションを用いた,エンドツーエンドのASRシステムに対するアクセント適応手法を提案する。
論文 参考訳（メタデータ） (2023-10-24T16:10:58Z) - VQMIVC: Vector Quantization and Mutual Information-Based Unsupervised
Speech Representation Disentanglement for One-shot Voice Conversion [54.29557210925752]
ワンショット音声変換は、音声表現のアンタングルメントによって効果的に実現できる。
コンテンツエンコーディングにはベクトル量子化(VQ)を使用し、トレーニング中に相互情報(MI)を相関指標として導入する。
実験結果は,提案手法が効果的に非絡み合った音声表現を学習する際の優位性を反映している。
論文 参考訳（メタデータ） (2021-06-18T13:50:38Z) - FragmentVC: Any-to-Any Voice Conversion by End-to-End Extracting and
Fusing Fine-Grained Voice Fragments With Attention [66.77490220410249]
本稿では、Wav2Vec 2.0から、音源話者からの発声の潜在音声構造を求めるFragmentVCを提案する。
FragmentVCは、ターゲット話者発話からきめ細かい音声断片を抽出し、所望の発話に融合することができる。
提案手法は, コンテンツと話者情報との絡み合いを考慮せずに, 再構成損失を学習する。
論文 参考訳（メタデータ） (2020-10-27T09:21:03Z) - Continuous speech separation: dataset and analysis [52.10378896407332]
自然な会話では、音声信号は連続的であり、重複成分と重複成分の両方を含む。
本稿では,連続音声分離アルゴリズムを評価するためのデータセットとプロトコルについて述べる。
論文 参考訳（メタデータ） (2020-01-30T18:01:31Z)
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。