DAFMSVC：基于双注意力机制和流匹配的一键式演唱声转换
声音
2025-08-11 v1 人工智能
机器学习
摘要
演唱声转换（SVC）将源歌手的声色转换为目标声色，同时保持旋律和歌词。任何到任何 SVC 的关键挑战在于在不影响音质的情况下适配不可见的说话人声彩。现有方法要么面临声彩泄漏，要么难以在生成音频中实现令人满意的声彩相似性和音质。为解决这些挑战，我们提出了 DAFMSVC，方法将源音频的自监督学习（SSL）特征替换为来自目标音频的最相似 SSL 特征，以防止声彩泄漏。它还采用双交叉注意力机制，用于说话人嵌入、旋律和语言内容的自适应融合。此外，我们引入了流匹配模块，用于从融合特征生成高质量音频。实验结果表明，DAFMSVC 在声彩相似性和自然性方面显著提升， 在主观和客观评估中均优于最先进的方法。
引用
@article{arxiv.2508.05978,
title = {DAFMSVC: One-Shot Singing Voice Conversion with Dual Attention Mechanism and Flow Matching},
author = {Wei Chen and Binzhu Sha and Dan Luo and Jing Yang and Zhuo Wang and Fan Fan and Zhiyong Wu},
journal= {arXiv preprint arXiv:2508.05978},
year = {2025}
}
备注
Accepted by INTERSPEECH 2025