面向跨语言语音情感识别的说话人风格感知音素锚定
计算与语言
2025-09-26 v1 机器学习
摘要
跨语言语音情感识别（SER）因不同语言中音素可变性和说话人特定表达风格的差异，仍是一个具有挑战性的任务。有效捕捉情感表达在如此多样的条件下所需的框架，需要能够在不同说话人和语言之间对情感外部化进行对齐。为此，我们提出了一种说话人风格感知音素锚定框架，通过图基聚类捕获共享说话人特征，在说话人和音素空间中应用双空间锚定，以实现跨语言的情感传递。评估在MSP-Podcast（英文）和BIIC-Podcast（台湾闽南语）语料库上显示，与竞争性基线方法相比，模型在跨语言情感表示的常见性方面表现出 improved generalization，并提供了关于跨语言情感表示共通性的宝贵见解。
引用
@article{arxiv.2509.20373,
title = {Speaker Style-Aware Phoneme Anchoring for Improved Cross-Lingual Speech Emotion Recognition},
author = {Shreya G. Upadhyay and Carlos Busso and Chi-Chun Lee},
journal= {arXiv preprint arXiv:2509.20373},
year = {2025}
}