基于条件流匹配改善失语者语音可理解性
声音
2025-06-23 v1 人工智能
音频与语音处理
摘要
失语是一种神经系统障碍，显著损害语音可理解性，往往使受影响者无法有效沟通。这 necessitates 发展稳健的失语-转-常规语音转换技术。本文研究了自监督学习（SSL）特征及其量化表示作为语音生成替代mel-频谱图的实用性和局限性。此外，我们探讨了通过生成单语音中的干净语音来缓解说话人可变性的方法。为此，我们提出一种完全非自回归的方法，利用条件流匹配（CFM）配合扩散转换器学习从失语语音到干净语音的直接映射。我们的发现突显了离散声学单元在提高可理解性方面的有效性，同时实现了比传统基于mel-频谱图的方法更快的收敛速度。
引用
@article{arxiv.2506.16127,
title = {Improved Intelligibility of Dysarthric Speech using Conditional Flow Matching},
author = {Shoutrik Das and Nishant Singh and Arjun Gangwar and S Umesh},
journal= {arXiv preprint arXiv:2506.16127},
year = {2025}
}
备注
Accepted at Interspeech 2025