想听见你的声音？只需一个样本！
音频与语音处理
2025-06-10 v4
摘要
音线索驱动的目标说话人提取（TSE）研究聚焦于建模混合信号和参考语音，由于数据丰富，已在英语方面取得显著成果。然而，跨语言特性仍未得到充分探索，因为低资源语言面临数据和语言资源有限的挑战。为填补这一差距，我们提出了 WHYV（Wanna Hear Your Voice），一个实现零样本适应且无需微调的跨语言 TSE 框架。WHYV 采用频率调制门控机制，动态调整目标说话人的声学特征，最小化对语言特定线索的依赖。评估显示其零样本性能达到最先进水平：Libri2Mix mix-both 为 13.8 dB，mix-clean 为 18.1 dB，越南语数据为 14.8 dB。
引用
@article{arxiv.2410.00527,
title = {Wanna hear your voice? A sample is all we need!},
author = {The Hieu Pham and Phuong Thanh Tran Nguyen and Xuan Tho Nguyen and Tan Dat Nguyen and Duc Dung Nguyen},
journal= {arXiv preprint arXiv:2410.00527},
year = {2025}
}
备注
work in progress