ISSE：指令引导语音风格编辑数据集与基准
音频与语音处理
2025-09-30 v1
摘要
语音风格编辑指在保留语言内容和说话人身份的前提下修改语音的风格属性。然而，大多数现有方法依赖于显式标签或参考音频，这限制了灵活性和可扩展性。近年利用自然语言描述的尝试也受限于过于简化的指令和粗糙的风格控制。为解决这些局限，我们提出了指令引导语音风格编辑数据集（ISSE）。该数据集包含近 400 小时的语音和超过 100,000 个源-目标对，每条均配有多样且详细的文本编辑指令。我们还构建了一个系统化的指令语音数据生成流水线，利用大语言模型、富有表现力的文本转语音和语音转换技术来构造高质量配对样本。此外，我们在 ISSE 上训练了一个指令引导自回归语音模型，并在指令遵循度、音色保持和内容一致性方面对其进行评估。实验结果表明，与其他数据集相比，ISSE 实现了准确、可控且可泛化的语音风格编辑。ISSE 项目页面地址为 https://ychenn1.github.io/ISSE/。
引用
@article{arxiv.2509.24570,
title = {ISSE: An Instruction-Guided Speech Style Editing Dataset And Benchmark},
author = {Yun Chen and Qi Chen and Zheqi Dai and Arshdeep Singh and Philip J. B. Jackson and Mark D. Plumbley},
journal= {arXiv preprint arXiv:2509.24570},
year = {2025}
}