论文解读

低资源下保住音高与细节:HQ-SVC 用解耦编解码加两级合成做零样本歌声转换

HQ-SVC 针对无目标说话人数据、无微调的零样本歌声转换,用冻结的解耦编解码同时取内容与音色特征,再经 EVA 模块融合音高能量并用 DDSP 加扩散两级重建 44.1 kHz 梅尔谱,在不足 80 小时数据与单张消费级 GPU 条件下取得比大资源基线更高的自然度与音高准确性,代价是音色相似度客观指标未全面领先且重建引入可接受的发音音高误差。

 · 更新于 2026-11-18 · 约 20 分钟 · 9818 字 阅读 →
论文解读

把内容音色情感拆干净再拼回去:MF-Speech 的提纯与细粒度指挥

针对语音内容音色情感纠缠与控制粗糙问题,MF-Speech 用三流编码器提纯离散因子再用动态融合与分层风格归一化组合生成,在多因子组合任务上报告 WER 为 4.67% 与 SECS 为 0.5685,但重建自然度与部分解耦指标仍有代价与边界。

 · 更新于 2026-11-18 · 约 19 分钟 · 9399 字 阅读 →
论文解读

把伦巴德效应拆成三层:说话人、音素与帧如何各管一摊

针对正常到伦巴德语音转换中风格与说话人、内容纠缠的问题,ProLombard 用对齐说话人编码、音素级去风格与再注入、VQ 中值下采样三层结构建模,在中英文数据上提升了可懂度和伦巴德相似度,代价是推理仍需目标噪声等级且与真实伦巴德仍有差距。

 · 更新于 2026-11-18 · 约 24 分钟 · 11554 字 阅读 →
论文解读

并行相加代替串行求余:PACodec 如何用小码本做低码率语音编码

PACodec 用并行加性量化,在 LibriTTS 1.4 kbps 与 VCTK 4.2 kbps 上取得接近较高码率基线的客观表现;主观 ABX 仅在 LibriTTS 上进行,对多数 2 kbps 基线未检出显著偏好差异,并非等效证明,分支解耦也仍只是消融显示的潜力。

 · 更新于 2026-11-18 · 约 19 分钟 · 9436 字 阅读 →
论文解读

克隆与匿名本是一体两面:把 27k 小时的 TTS 直接当成隐私滤镜

语音转换 | 8.0/10

 · 更新于 2026-11-18 · 约 17 分钟 · 8455 字 阅读 →
论文解读

Speaker-Normalized Semantic Speech Tokens via Iterative S2U-T2U Refinement

语音编码 | 6.0/10

 · 更新于 2026-11-18 · 约 13 分钟 · 6303 字 阅读 →
论文解读

Phoenix TTS: High-Fidelity Synthesis and Voice Conversion via Flow-Matching-Driven Speech Tokenization

语音合成 | 6.5/10

 · 更新于 2026-11-18 · 约 14 分钟 · 6892 字 阅读 →
论文解读

AffectDF: The Most Comprehensive Benchmark for Speech Deepfake Detection against Emotionally Expressive Attacks

语音伪造检测 | 8.4/10

 · 更新于 2026-11-18 · 约 24 分钟 · 11604 字 阅读 →
论文解读

Cloned Voices, Real Consequences: Evaluating Bias in Political Deepfake Detection for Electoral Integrity in Brazil

语音伪造检测 | 7.7/10

 · 更新于 2026-11-18 · 约 15 分钟 · 7303 字 阅读 →
论文解读

Designed Vocalizations Dataset: Sound-Designed Human and Animal Voices for Non-human Voice Conversion

语音转换 | 7.9/10

 · 更新于 2026-11-18 · 约 12 分钟 · 5983 字 阅读 →
论文解读

Re-Sonance: A Dysarthric Asynchronous Real-Time Speech Conversion System Based on a Three-Stage Cascaded ASR-LLM-TTS Architecture

语音转换 | 6.9/10

 · 更新于 2026-11-18 · 约 15 分钟 · 7105 字 阅读 →
论文解读

Adapting a Diffusion-Based Music Synthesis Model to Human Voice Conversion

语音转换 | 6.0/10

 · 更新于 2026-11-18 · 约 18 分钟 · 8922 字 阅读 →
论文解读

Goodbye Equal Error Rate, Hello Local Information Disclosure: Evaluating Voice Anonymisation against 1-to-N Linkage Threats

语音转换 | 6.5/10

 · 更新于 2026-11-18 · 约 13 分钟 · 6152 字 阅读 →
论文解读

NouveauVoice: Generating Novel Pseudo Speakers for Voice Anonymization

语音转换 | 5.9/10

 · 更新于 2026-11-18 · 约 5 分钟 · 2033 字 阅读 →
论文解读

OLIVE: View-Augmented Latent Prediction with Waveform Reconstruction for Speech SSL

语音识别 | 7.5/10

 · 更新于 2026-11-18 · 约 16 分钟 · 7900 字 阅读 →
论文解读

ProsoCodec: Prosody-Oriented Speech Codec for Voice Conversion

语音转换 | 6.6/10

 · 更新于 2026-11-18 · 约 12 分钟 · 5546 字 阅读 →
论文解读

RIVET: Robust Idempotent Voice Attribute Editing

语音转换 | 8/10

 · 更新于 2026-11-18 · 约 9 分钟 · 4451 字 阅读 →
论文解读

Zero-VC: Zero-Lookahead Streaming Voice Conversion via Speaker Anonymization

语音转换 | 6.1/10

 · 更新于 2026-11-18 · 约 12 分钟 · 5580 字 阅读 →
论文解读

DDPO-VC: Speaker De-Identification via Diffusion Denoising Policy Optimization

语音转换 | 6.5/10

 · 更新于 2026-11-18 · 约 19 分钟 · 9064 字 阅读 →
论文解读

SSL-GMMVC: Interpretable Voice Conversion via Locally Linear GMM Transforms in Self-Supervised Representation Space

语音转换 | 6.8/10

 · 更新于 2026-11-18 · 约 12 分钟 · 5852 字 阅读 →