基于边界感知信息瓶颈的可控演唱风格转换
声音
2026-04-08 v1 人工智能
摘要
本文介绍了S4团队提交至2025年演唱语音转换挑战赛（SVCC2025）的方案——一种推进细粒度风格转换与控制的演唱风格转换系统。在解决风格泄漏、动态渲染和有限数据下的高保真生成的关键挑战后，我们引入了三项核心创新：(i) 基于边界感知的Whisper瓶颈，将音素跨度表征进行池化，以抑制残余源风格同时保留语言内容；(ii) 明确的帧级技巧矩阵，辅以针对推理阶段的针对性F0处理，实现稳定且具辨识度的动态风格渲染；(iii) 感知主导的高频带补全策略，利用辅助48kHz SVC模型增强高频谱，从而在不过拟合的前提下克服数据稀缺。 在官方SVCC2025主观评估中，我们的系统在所有提交方案中实现了最佳的自然度表现，同时在说话者相似性和技巧控制方面保持竞争力，尽管使用的数据少于其他顶尖系统。音频样本已在线上提供。
引用
@article{arxiv.2604.05526,
title = {Controllable Singing Style Conversion with Boundary-Aware Information Bottleneck},
author = {Zhetao Hu and Yiquan Zhou and Wenyu Wang and Zhiyu Wu and Xin Gao and Jihua Zhu},
journal= {arXiv preprint arXiv:2604.05526},
year = {2026}
}
备注
8 pages, 5 figures