语音转换

📄 QE-XVC: Zero-Shot Cross-Lingual Voice Conversion via Query-Enhancement and Conditional Flow Matching #语音转换 #跨语言 #零样本 #流匹配 #自监督学习 ✅ 7.5/10 | 前25% | #语音转换 | #流匹配 | #跨语言 #零样本 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.3 | 置信度 高 👥 作者与机构 第一作者：Han-Jie Guo (中国科学技术大学，语音及语言信息处理国家工程研究中心) 通讯作者：Zhen-Hua Ling (中国科学技术大学，语音及语言信息处理国家工程研究中心) 作者列表：Han-Jie Guo (中国科学技术大学，语音及语言信息处理国家工程研究中心)、Hui-Peng Du (中国科学技术大学，语音及语言信息处理国家工程研究中心)、Shi-Ming Wang (中国科学技术大学，语音及语言信息处理国家工程研究中心)、Xiao-Hang Jiang (中国科学技术大学，语音及语言信息处理国家工程研究中心)、Ying-Ying Gao (中国移动九天人工智能研究院)、Shi-Lei Zhang (中国移动九天人工智能研究院)、Zhen-Hua Ling (中国科学技术大学，语音及语言信息处理国家工程研究中心) 💡 毒舌点评 亮点：论文针对跨语言对齐难这一核心痛点，设计了“全局说话人嵌入”和“扰动内容表示”两阶段查询来增强和对齐帧级说话人表征，思路清晰且有效。短板：实验部分虽然全面，但对说话人相似度（SMOS/SECS）未达最优的原因分析过于表面，且缺乏对生成语音在不同语速、情感等更复杂条件下的鲁棒性讨论，研究深度稍显不足。 📌 核心摘要 问题：现有的零样本跨语言语音转换（XVC）方法面临发音错误、说话人建模不足以及跨语言对齐困难等挑战。 方法核心：提出QE-XVC框架，包含三大组件：利用预训练SSL模型（XLSR-53）提取共享多语言表征；设计查询增强模块，通过两阶段注意力机制（先用说话人嵌入作查询，再用扰动内容作查询）结合小波卷积来精炼帧级说话人表征；采用条件流匹配（CFM） 模型，以内容表征和说话人表征为条件，非自回归地生成转换后的梅尔频谱图。 创新：与已有方法相比，新在：a) 提出两阶段查询增强机制，在跨语言场景下稳定对齐；b) 构建统一的多语言连续表征空间，避免量化损失；c) 采用高效的CFM模型进行生成，速度优于扩散模型。 主要实验结果：在英语到西班牙语的跨语言任务上，QE-XVC相比最佳基线（vec2wav 2.0）在CER上显著降低（2.18% vs 4.86%），在F0-PCC上提升（0.753 vs 0.692），表明发音准确性和韵律保持更好。主观评估（NMOS和SMOS）也表现优异。推理效率（RTF=0.051）远高于扩散基线。 实际意义：该方法为构建低资源语言语音数据集、影视配音等应用提供了更高质量、更高效的零样本跨语言语音转换解决方案。 主要局限性：说话人相似度（SECS和SMOS）略低于使用离散token的vec2wav 2.0，论文对此分析不足；未探讨在更复杂声学环境或非平稳语音下的性能。 🏗️ 模型架构 QE-XVC的整体架构如图1所示，主要分为三个模块： ...

📄 Quantifying Speaker Embedding Phonological Rule Interactions in Accented Speech Synthesis #语音合成 #数据增强 #语音转换 #低资源 ✅ 7.0/10 | 前25% | #语音合成 | #数据增强 | #语音转换 #低资源 学术质量 5.5/7 | 选题价值 1.0/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Thanathai Lertpetchpun (Signal Analysis and Interpretation Lab, University of Southern California) 通讯作者：未说明 作者列表：Thanathai Lertpetchpun（USC SAIL实验室），Yoonjeong Lee（USC SAIL实验室），Thanapat Trachu（USC计算机科学系），Jihwan Lee（USC SAIL实验室），Tiantian Feng（USC SAIL实验室），Dani Byrd（USC语言学系），Shrikanth Narayanan（USC SAIL实验室、USC计算机科学系、USC语言学系） 💡 毒舌点评 亮点在于将语言学理论中“口音”的模糊概念，拆解为可量化、可操作的音韵规则，并提出了PSR这一新颖的交互度量工具。短板在于创新主要体现在评估方法论和实验分析上，对语音生成模型本身的改进有限，且评估结果严重依赖外部的音素识别模型，可能存在噪声。 📌 核心摘要 问题：当前TTS系统通过说话人嵌入控制口音，但该嵌入混合了音色、情感等无关信息，导致口音控制不透明且难以精细调整。 方法核心：以美式和英式英语为例，引入基于语言学的音韵规则（闪音、卷舌性、元音对应）作为显式探针。提出“音素移位率（PSR）”指标，用于量化说话人嵌入在多大程度上保留或覆盖这些规则驱动的音素转换。 创新点：1）提出PSR指标，直接衡量规则与嵌入的交互强度；2）系统性地分析了显式语言规则与数据驱动嵌入在口音合成中的相互作用。 实验结果： 主要实验结果见下表1，显示结合规则能提升口音强度且不损害自然度，PSR值降低表明规则被更好保留。 表2展示了不同条件下需二次应用规则的次数（N2），证明规则应用能减少“口音回退”。 表3显示了不同说话人嵌入与规则结合的效果，PSR普遍下降15%左右。 图2的核密度估计图显示，应用规则后，每个语句中被规则改变的音素数量分布向更小值偏移。 条件 UTMOS (↑) 声音概率 NA (↓) 声音概率 B (↑) 声音相似度 NA (↓) 声音相似度 B (↑) PSR (↓) 美式嵌入，无规则 4.43 86.5 3.79 0.85 -0.05 0.856 美式嵌入，全规则 4.42 58.8 17.3 0.74 0.21 0.827 英式嵌入，无规则 3.74 17.6 67.8 0.33 0.67 0.775 英式嵌入，全规则 3.72 5.3 78.4 0.03 0.85 0.628 表1：不同规则配置下的实验结果（引自论文Table 1） ...

📄 Robust Accent Identification via Voice Conversion and Non-Timbral Embeddings #语音识别 #数据增强 #语音转换 #自监督学习 ✅ 7.5/10 | 前25% | #语音识别 | #数据增强 #语音转换 | #数据增强 #语音转换 | arxiv 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：未说明（摘要仅列出作者姓名，未明确排序） 通讯作者：未说明 作者列表：Rayane Bakari（未说明）、Olivier Le Blouch（未说明）、Nicolas Gengembre（未说明）、Nicholas Evans（未说明） 注：摘要文本未提供任何作者所属机构信息。 💡 毒舌点评 亮点：论文巧妙地将语音转换（VC）技术“反向”用作口音识别的数据增强工具，而非传统的说话人匿名化或转换，这种应用角度的创新性值得肯定，同时探索非时域嵌入也为特征解耦提供了新思路。 短板：口音识别本身是一个定义模糊、应用相对垂直的任务，且论文摘要未披露任何模型架构、训练代码或完整数据集，严重影响了方法的说服力和社区的可复现性，其影响力可能受限于这个“黑箱”状态。 📌 核心摘要 要解决的问题：自动口音识别（AID）面临三大挑战：口音本身的复杂多样性、口音线索与说话人身份特征纠缠不清，以及缺乏足够可靠的标注数据进行训练。 方法核心：提出两种互补策略。一是基于语音转换（VC）的说话人增强策略，利用VC系统将训练语音转换为不同说话人的声音，同时尽可能保留口音信息，以此生成新的训练数据。二是探索使用非时域嵌入，这类嵌入能捕捉语调、节奏等非音色特征，其中包含口音信息。 与已有方法相比新在哪里：以往数据增强方法可能破坏口音特征，而本研究明确筛选并评估了近期VC系统在保持口音方面的能力。同时，将非时域嵌入系统地应用于AID任务，并证明其不仅可用于识别，还能用于口音可控的语音合成，这比单纯改进分类器更进一步。 主要实验结果：在GenAID基准测试上，提出的方法取得了新的最先进（SOTA）结果，F1分数达到0.66，相比之前的0.55有显著提升。论文还进行了消融实验，验证了VC增强和非时域嵌入各自的有效性。此外，利用非时域嵌入成功实现了口音可控的文本到语音（TTS），能生成高保真度且口音准确转移的语音。 实际意义：为解决口音识别数据稀缺问题提供了有效的新思路（VC数据增强）。同时，研究打通了“口音分析”到“口音生成”的路径，为跨语言语音合成、个性化语音助手、语言学习工具等应用提供了技术支持。 主要局限性：口音本身的定义和标注标准可能存在主观性。VC转换过程可能会引入人工痕迹或损失细微的口音特征。论文摘要未透露方法在不同口音、不同语言对或噪声环境下的鲁棒性细节。 🏗️ 模型架构 根据摘要描述，本论文并未提出一个全新的端到端神经网络模型，而是主要利用和评估了现有的语音转换（VC）系统和非时域嵌入提取器，并将它们集成到一个口音识别（AID）框架中。 整体架构流程可以描述为： 数据增强阶段：输入原始训练语音X_orig及其口音标签Y_accent。将其输入选定的语音转换系统。该系统通常包含一个编码器（提取与说话人无关的内容和韵��信息）、一个转换模块（将说话人特征从源转换为目标）和一个解码器。此处的关键设计选择是：评估并选择那些在转换说话人音色时，能最大程度保留原始口音线索（如语调、节奏、音素发音方式）的VC系统。输出为转换后的语音X_conv，其标签仍为Y_accent。 嵌入提取与分类阶段： 路径一（传统）：直接使用X_orig和X_conv（作为增强数据）训练一个口音分类器（具体模型未说明）。 路径二（非时域嵌入）：从X_orig和/或X_conv中，通过一个预训练的（可能是自监督学习）模型提取非时域嵌入。这类嵌入旨在编码音高轮廓、能量动态、说话速率等与音色（时域细节）相对独立的信息。然后，使用这些嵌入训练口音分类器。 应用扩展阶段：将提取到的非时域嵌入输入一个口音可控的文本到语音（TTS）系统。TTS系统利用这些嵌入提供的口音信息，将指定文本合成为带有相应口音的高保真语音。 注意：由于摘要中未提供架构图URL，此处无法插入图片。以上描述基于摘要中“评估其保留口音的能力”、“使用非时域嵌入”、“实现口音控制TTS”等关键信息推断。 ...

📄 S2Voice: Style-Aware Autoregressive Modeling with Enhanced Conditioning for Singing Style Conversion #歌唱语音转换 #语音转换 #流匹配 #自回归模型 #数据集 ✅ 7.0/10 | 前25% | #歌唱语音转换 | #流匹配 | #语音转换 #自回归模型 学术质量 6.5/7 | 选题价值 2.0/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Ziqian Wang（西北工业大学软件学院音频、语音与语言处理组 (ASLP@NPU)） 通讯作者：Lei Xie（西北工业大学软件学院音频、语音与语言处理组 (ASLP@NPU)） 作者列表：Ziqian Wang（西北工业大学软件学院音频、语音与语言处理组），Xianjun Xia（字节跳动），Chuanzeng Huang（字节跳动），Lei Xie（西北工业大学软件学院音频、语音与语言处理组） 💡 毒舌点评 亮点： 论文在SVCC 2025的两个赛道均取得冠军，系统性地将FiLM条件注入、全局说话人嵌入、大规模数据管线和SFT+DPO训练策略结合起来，在风格相似性和说话人相似性上取得了显著提升，实验设计完整，消融研究充分。 短板： 核心创新（FiLM调制、交叉注意力）多为现有技术的迁移应用，原创性有限；论文未提供开源代码或模型权重，且数据管线依赖的外部模型（如Whisper, Qwen3）版本和具体实现细节模糊，限制了可复现性。 📌 核心摘要 解决的问题： 歌唱风格转换（SSC）需要在改变演唱风格的同时保持歌词内容和歌手音色，现有方法存在风格与音色纠缠不完全、自回归模型捕捉细粒度风格能力有限、缺乏高质量训练数据和稳定训练策略等问题。 方法核心： 提出S2Voice，一个基于Vevo的两阶段框架。第一阶段（AR LLM）通过FiLM风格的层归一化调制和风格感知交叉注意力将风格嵌入整合到自回归大语言模型中，实现精细的风格控制。第二阶段（声学模型）在流匹配变换器中引入全局说话人嵌入，以增强音色相似性。此外，构建了大规模高质量歌唱数据语料库，并采用SFT + DPO的多阶段训练策略。 与已有方法相比新在哪里： （1）在AR LLM中引入了更精细的风格条件机制（FiLM+交叉注意力），相比直接拼接或简单注意力融合更有效；（2）在声学解码阶段明确使用预训练说话人���证网络提取的全局嵌入来指导音色，减少从音色参考中泄露风格；（3）构建了大规模、自动化的歌唱数据收集与清洗管线；（4）结合了DPO进行偏好优化，以解决推理中的失败模式，提升稳定性。 主要实验结果： 在SVCC 2025的Task 1（领域内）和Task 2（零样本）上均排名第一。具体指标如下表所示： 系统 任务 自然度 (MOS) 风格相似度 (%) 歌手相似度 (%) GT (真值) 1 3.90 ± 0.15 79 ± 3 63 ± 4 Vevo (基线) 1 3.10 ± 0.12 30 ± 5 42 ± 5 S2Voice 1 3.30 ± 0.10 59 ± 4 57 ± 4 GT (真值) 2 4.10 ± 0.15 78 ± 3 60 ± 4 Vevo (基线) 2 3.20 ± 0.12 32 ± 5 52 ± 5 S2Voice 2 3.75 ± 0.11 70 ± 3 59 ± 4 消融实验表明，各组件（数据、FiLM、交叉注意力、全局说话人嵌入、DPO）对最终性能均有贡献。 实际意义： 该系统为可控的歌唱内容创作（如风格模仿、歌曲翻唱）提供了强大的技术支撑，并在零样本场景下表现出良好的泛化能力，推动了歌唱转换领域的实用化进展。 主要局限性： （1）模型严重依赖大规模高质量数据，构建管线成本高；（2）DPO阶段虽然提升了稳定性，但略微降低了平均指标，表明“偏好”优化与“峰值性能”之间可能存在权衡；（3）论文未公开代码、模型和详细训练细节，阻碍了社区验证和应用。 🏗️ 模型架构 S2Voice是一个两阶段框架，构建在Vevo架构之上。 ...

📄 Speaker Anonymisation for Speech-Based Suicide Risk Detection #语音匿名化 #语音大模型 #语音转换 #语音情感识别 #隐私保护 ✅ 7.5/10 | 前25% | #语音匿名化 | #语音转换 | #语音大模型 #语音情感识别 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Ziyun Cui (上海人工智能实验室 & 清华大学电子工程系) 通讯作者：Chang Lei (清华大学万科公共卫生与健康学院)，Wen Wu (上海人工智能实验室) 作者列表：Ziyun Cui (上海人工智能实验室、清华大学电子工程系)，Sike Jia (清华大学电子工程系)，Yang Lin (清华大学为阳书院)，Yinan Duan (清华大学万科公共卫生与健康学院)，Diyang Qu (清华大学万科公共卫生与健康学院)，Runsen Chen (清华大学万科公共卫生与健康学院)，Chao Zhang (上海人工智能实验室、清华大学电子工程系)，Chang Lei (清华大学万科公共卫生与健康学院)，Wen Wu (上海人工智能实验室) 💡 毒舌点评 亮点：这是首个系统性研究语音匿名化对下游自杀风险检测任务影响的工作，其构建的多维评估框架（语音质量、说话人鉴别、语义/情感保留）和对互补性匿名化策略的验证（CosyVoice+RVC组合）具有很强的实用指导价值。短板：论文的核心下游任务（自杀风险检测）仅为一个简单的二分类，且未公开核心数据集和代码，使得其关键结论（如“接近原始性能”）的普适性和可复现性大打折扣。 📌 核心摘要 问题：利用语音自动检测青少年自杀风险具有重要潜力，但语音数据本身包含丰富的个人可识别信息。如何在保护这一脆弱群体隐私（实现说话人匿名化）的同时，保留用于风险检测的关键信息，是一个亟待研究的空白。 方法：首次系统性评估了三大类语音匿名化技术：传统信号处理（基频调整、McAdams）、基于神经声码器的内容-说话人解耦（SSL-SAS， FreeVC， SeedVC， RVC）以及基于转录文本的语音合成（SparkTTS， CosyVoice）。构建了一个包含语音质量、说话人鉴别、基频偏移、语义和情感内容保留的五维评估框架。下游检测模型采用基于Qwen2.5-Omni-7B的语音大模型，通过DoRA进行微调。 创新：首次将隐私保护的“说话人匿名化”与心理健康领域的“语音自杀风险检测”任务进行深度耦合研究；提出了一个全面的匿名化效果评估框架；通过实验揭示了不同匿名化方法保留信息的互补性（RVC擅长保留声学特征，CosyVoice擅长保留语义内容），并验证了组合策略的有效性。 结果：在1,223名中国青少年的语音数据集上，原始语音检测准确率为0.702。单一匿名化方法中，RVC表现最好（准确率0.680， EER 0.510），CosyVoice次之（准确率0.658）。将二者概率平均的集成方法达到了0.692的准确率，与原始语音仅差1%，且统计上无显著差异（p=0.677），同时保持了有效的匿名化（EER ~0.5）。 方法 检测准确率 说话人等错误率 (EER) 基频相关性 (PCC_F0) 情感相似度 语义错误率 (CER) 原始语音 0.702 0.185 - - - RVC 0.680 0.510 0.443 0.619 0.362 CosyVoice 0.658 0.497 -0.002 0.257 0.024 CosyVoice+RVC 0.692 ~0.50 (组合) (组合) (组合) 其他方法 0.625-0.644 0.248-0.512 - - - 图4: 不同匿名化方法下的自杀风险检测准确率。集成CosyVoice+RVC达到了接近原始语音的性能。 ...

📄 StylePitcher: Generating Style-Following and Expressive Pitch Curves for Versatile Singing Tasks #歌唱语音合成 #流匹配 #音频生成 #语音转换 #零样本 ✅ 7.5/10 | 前25% | #歌唱语音合成 | #流匹配 | #音频生成 #语音转换 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Jingyue Huang (University of California San Diego, Smule Labs) 通讯作者：未说明 作者列表：Jingyue Huang（△University of California San Diego, ◦Smule Labs）、Qihui Yang（△University of California San Diego, ◦Smule Labs）、Fei-Yueh Chen（†University of Rochester, ◦Smule Labs）、Julian McAuley（△University of California San Diego）、Randal Leistikow（◦Smule Labs）、Perry R. Cook（◦Smule Labs）、Yongyi Zang（◦Smule Labs） 💡 毒舌点评 亮点在于它敏锐地抓住了唱歌音高曲线“既要符合乐谱，又要保留歌手个人风格”这个核心矛盾，并用一个优雅的掩码填充框架将其统一解决，体现了扎实的工程直觉和对音乐的理解。短板是，虽然实验覆盖了多个任务，但其作为“通用模块”的潜力在很大程度上依赖于下游系统本身，论文并未深入探讨在极端风格差异或复杂旋律转移场景下的鲁棒性边界。 ...

📄 Target Speaker Anonymization in Multi-Speaker Recordings #语音匿名化 #语音转换 #说话人分离 #说话人验证 #基准测试 ✅ 7.6/10 | 前50% | #语音匿名化 | #语音转换 | #说话人分离 #说话人验证 学术质量 5.5/7 | 选题价值 1.8/2 | 复现加成 0.3 | 置信度 高 👥 作者与机构 第一作者：Natalia Tomashenko（Université de Lorraine, CNRS, Inria, Loria） 通讯作者：未说明 作者列表：Natalia Tomashenko（Université de Lorraine, CNRS, Inria, Loria）、Junichi Yamagishi（National Institute of Informatics）、Xin Wang（National Institute of Informatics）、Yun Liu（National Institute of Informatics）、Emmanuel Vincent（Université de Lorraine, CNRS, Inria, Loria） 💡 毒舌点评 亮点在于清晰地定义了多说话人场景下目标匿名化这一重要且实际的问题，并初步建立了一个包含“提取-匿名化-重组”的端到端评估框架，其对评估指标的讨论（如tcpWER、DER）比单纯追求更低EER更具工程指导意义。短板在于方法上本质上是将已有的TSE和匿名化模型进行管道式拼接，缺乏针对该联合任务的深度融合与创新，且实验揭示了管道中误差传递导致最终实用性（tcpWER）显著下降的核心矛盾，但论文并未提出根本性的解决方案。 ...

📄 VChangeCodec: An Ultra Low-Complexity Neural Speech Codec with Built-In Voice Changer for Customized Real-Time Communication #语音转换 #语音增强 #端到端 #流式处理 #实时处理 🔥 8.0/10 | 前25% | #语音转换 #语音增强 | #端到端 | #语音转换 #语音增强 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Xusheng Yang (⋆†) (北京大学深圳研究生院，超高清沉浸式媒体技术广东省重点实验室；ADSPLAB，电子与计算机工程学院) 通讯作者：Yuexian Zou (⋆†B) (北京大学深圳研究生院，超高清沉浸式媒体技术广东省重点实验室；ADSPLAB，电子与计算机工程学院) 作者列表： Xusheng Yang (北京大学深圳研究生院，超高清沉浸式媒体技术广东省重点实验室；ADSPLAB，电子与计算机工程学院) Wei Xiao (⋄) (腾讯天籁音频实验室) Bang Yang (‡) (鹏城实验室) Shidong Shang (⋄) (腾讯天籁音频实验室) Yuexian Zou (⋆†B) (北京大学深圳研究生院，超高清沉浸式媒体技术广东省重点实验室；ADSPLAB，电子与计算机工程学院) 💡 毒舌点评 本文提出的“编解码器内建变声器”架构确实是个聪明的集成创新，将语音转换从额外的级联模块变为编解码管道的一部分，从而将端到端延迟砍到了40ms，这对实时通信场景是实质性的提升。不过，论文在“超低复杂度”上做得更极致，但在“音质竞争力”和“变声效果竞争力”上更像是“足够好”而非“令人惊叹”，POLQA分数虽然不错但并未拉开与DAC等模型的差距，语音转换的自然度（N-MOS）也逊色于QuickVC。 ...

📄 X-VC: Zero-shot Streaming Voice Conversion in Codec Space #语音转换 #流匹配 #零样本 #流式处理 ✅ 6.5/10 | 前25% | #语音转换 | #流匹配 | #零样本 #流式处理 | arxiv 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Qixi Zheng（上海交通大学） 通讯作者：Xie Chen（上海交通大学，上海创新研究院） 作者列表： Qixi Zheng（上海交通大学） Yuxiang Zhao（上海交通大学） Tianrui Wang（天津大学） Wenxi Chen（上海交通大学，上海创新研究院） Kele Xu（复杂与关键软件环境国家重点实验室） Yikang Li（上海创新研究院） Qinyuan Chen（复旦大学，上海创新研究院） Xipeng Qiu（复旦大学，上海创新研究院） Kai Yu（上海交通大学） Xie Chen（上海交通大学，上海创新研究院） 💡 毒舌点评 亮点：论文的工程实现非常扎实，将预训练编解码器、双条件Transformer和分块推理整合成一个高效的流式系统，在延迟（240ms）和离线效率（RTF 0.014）上达到了实用水平，且开源了代码和模型。 短板：核心创新略显“缝合”，双条件建模和流匹配都是已有技术，论文的主要贡献在于针对特定任务的适配和系统集成，缺乏更根本性的原理突破；同时，与之对比的基线（如MeanVC）可能并非最新或最强，削弱了结论的说服力。 📌 核心摘要 问题：零样本语音转换需要同时实现高质量的说话人特征迁移和低延迟的流式推理，这是一个尚未很好解决的挑战。 方法核心：提出X-VC系统，在预训练的SAC语音编解码器的潜在空间中进行一步转换。核心是一个双条件声学转换器，它联合处理源语音的编解码器潜在表示和目标参考语音的帧级梅尔频谱条件，并通过自适应归一化注入全局说话人嵌入。 创新点：与已有方法相比，新在：(1) 在编解码器潜在空间而非波形或频谱图空间进行转换；(2) 设计了双分支Transformer架构来异构地建模帧级和句级条件；(3) 提出了基于生成对数据和角色分配策略的训练方法；(4) 设计了与编解码器分段训练范式对齐的分块流式推理方案。 实验结果：在Seed-TTS-Eval基准上，流式设置下，X-VC在英语和中文测试集上取得了最佳的WER（英语3.14%，中文2.65%）和领先的说话人相似度（SIM）。离线设置下，其实时因子（RTF）仅为0.014，远低于基线模型（如Seed-VC tiny为0.069）。跨语言评估也表现良好。 实际意义：提供了一种实用的高质量低延迟零样本语音转换方案，适用于需要实时交互的配音、对话等场景。 主要局限性：模型总参数量较大（539M）；转换质量高度依赖预训练编解码器（SAC）的性能；论文未提供完整的训练数据集信息。 🏗️ 模型架构 X-VC是一个端到端的语音转换系统，整体流程如图1所示： ...

📄 MimicLM: Zero-Shot Voice Imitation through Autoregressive Modeling of Pseudo-Parallel Speech Corpora #语音转换 #自回归模型 #强化学习 #多语言 #工业应用 🔥 评分：8.5/10 | arxiv 👥 作者与机构 第一作者：Tao Feng (清华大学) 通讯作者：Zhizheng Wu (香港中文大学（深圳）) 其他作者： Yuxiang Wang, Yuancheng Wang, Xueyao Zhang, Dekun Chen, Chaoren Wang (香港中文大学（深圳）) Xun Guan (清华大学) 💡 毒舌点评 亮点：把TTS生成的“垃圾”（合成语音）从训练目标变成训练源，这个“角色交换”的脑回路确实清奇，直接绕过了合成质量天花板，是论文最大的创新点。槽点：虽然思路巧妙，但整个框架依然严重依赖一个高质量的外部TTS系统来生成训练源，33%的数据过滤率也暗示了对TTS质量的敏感性；此外，构建850万对训练数据所需的计算资源（TTS推理+模型训练）恐怕不是一般实验室能承受的，可复现性存疑。 📌 核心摘要 这篇论文旨在解决零样本语音模仿任务中高质量平行训练数据稀缺的核心瓶颈。传统方法要么依赖复杂的解耦架构，要么使用合成语音作为训练目标，导致输出质量受限于合成系统的能力。作者提出了一种名为 MimicLM 的新框架，其核心创新在于**“角色交换”的数据构建策略**：使用TTS生成的语音作为训练源，而将真实的录音保留为训练目标。这使得模型能够直接从真实语音分布中学习，突破了合成质量的“天花板”。为应对这一新范式带来的内容保真度挑战和训练-推理分布不匹配问题，论文进一步引入了交错文本-音频建模（通过文本锚点引导内容生成）和基于DPO的偏好对齐（使用真实输入进行后训练以弥合分布差距）。实验表明，MimicLM在自然度、说话人相似度和情感保真度上取得了与SOTA方法竞争甚至更优的结果，尤其在主观评价中表现突出，并有效降低了在真实输入上的词错误率。该工作为语音模仿提供了一种概念更简单、效果显著的新范式。 🏗️ 模型架构 MimicLM是一个基于自回归Transformer的端到端语音到语音转换模型，整体架构包含三个核心组件： 音频分词器：使用预训练且冻结的 CosyVoice 2.0 的音频分词器，将连续的语音波形转换为离散的音频令牌（audio tokens），帧率为25 Hz。 自回归Transformer主干：基于 Qwen2.5-0.5B 架构改造的解码器-only Transformer。其输入是一个精心构造的交错序列，输出是预测的文本和音频令牌。 流匹配解码器：同样来自CosyVoice 2.0，将Transformer输出的离散音频令牌重建为连续的语音波形。 完整输入输出流程： 输入准备： 参考音频：通过音频分词器转换为“参考令牌”（ref token）。 源音频：通过音频分词器转换为“源令牌”（src token），并以<|SOURCE_START|>特殊令牌为前缀。 序列构造：模型输入序列按顺序拼接为：[ref token] + [<|SOURCE_START|>] + [src token] + [交错文本-音频块]。 交错文本-音频块是核心设计。序列被分为两个阶段： 分块阶段：交替出现文本块（5个令牌，由<|TEXT_START|>和<|TEXT_END|>包裹）和音频块（25个令牌）。这种1:5的比例确保文本预测在时间上略微领先音频生成，为音频合成提供语义指导。 连续阶段：处理剩余内容，先生成剩余文本令牌（由<|REMAIN_START|>和<|TEXT_END|>包裹），再生成剩余音频令牌（以<|REMAIN_END|>结束）。 自回归生成：Transformer以该序列为条件，以自回归方式同时预测下一个文本令牌和音频令牌。训练时使用教师强制。 输出重建：生成的音频令牌序列被送入流匹配解码器，最终输出模仿了参考音频音色和风格、但内容与源音频一致的目标语音波形。 关键设计选择理由： ...