引入语音音色属性检测
声音
2025-06-24 v2 人工智能
音频与语音处理
摘要
本文旨在解释语音信号所传递的音色特征，提出了一种称为语音音色属性检测（voice timbre attribute detection, vTAD）的任务。在该任务中，语音音色通过一组描述其人类感知的感官属性进行解释。对处理成对的语音语音进行处理，并在指定的音色描述符中进行强度比较。此外，本文提出了一个框架，基于从语音语音中提取的说话人嵌入构建。该研究在VCTK-RVA数据集上进行。对ECAPA-TDNN和FACodec说话人编码器的实验检验表明：1）ECAPA-TDNN说话人编码器在已见场景（测试说话人包含在训练集中）中更具优势；2）FACodec说话人编码器在未见场景（测试说话人不包含在训练中）中更优，表明其具有更好的泛化能力。VCTK-RVA数据集和开源代码均可在网站 https://github.com/vTAD2025-Challenge/vTAD 上获取。
引用
@article{arxiv.2505.09661,
title = {Introducing voice timbre attribute detection},
author = {Jinghao He and Zhengyan Sheng and Liping Chen and Kong Aik Lee and Zhen-Hua Ling},
journal= {arXiv preprint arXiv:2505.09661},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2505.09382