Noro：基于隐式说话人表征学习的噪声鲁棒性一键式语音转换
声音
2025-08-29 v2 计算与语言
音频与语音处理
摘要
一键式语音转换(VC)在实际场景中效果下降，原因在于参考语音常来自互联网，包含各种噪声干扰。为此，我们引入Noro系统，实现噪声鲁棒性一键式VC。Noro包含专为VC设计的创新组件，包括双分支参考编码器和噪声不可辨识的对比性说话人损失。实验结果表明，Noro在干净和噪声场景下均优于基线系统，凸显其实际应用效能。此外，我们通过改用基线系统的参考编码器作为说话人编码器，探究其隐藏说话人表征能力。结果显示，在SUPERB设置下，其表现与几种先进的自监督学习模型相当，凸显通过一键式VC任务推动说话人表征学习潜力。
引用
@article{arxiv.2411.19770,
title = {Noro: Noise-Robust One-shot Voice Conversion with Hidden Speaker Representation Learning},
author = {Haorui He and Yuchen Song and Yuancheng Wang and Haoyang Li and Xueyao Zhang and Li Wang and Gongping Huang and Eng Siong Chng and Zhizheng Wu},
journal= {arXiv preprint arXiv:2411.19770},
year = {2025}
}
备注
Accepted by APSIPA ASC 2025