arXiv · ML· Semin Kim, Ju Yeon Kang, Sunghwan Ahn, Seonuk Kim, Nam Soo Kim·· 17 小时前AI 评分23
基于 LLM 的野外语音场景生成框架
Joint Language Modeling for In-the-Wild Speech-Scene Generation with Distinct Token Representations
AI 导读
该论文提出基于 LLM 的语音场景生成框架,通过交错生成区分语音与环境音 token 流,提升语音清晰度、场景相关性和音频质量。 框架利用源感知神经音频编解码器从混合音频中提取时间对齐 token,并在自然语言描述条件下生成双 token 流,支持野外场景适应。
来源:arXiv · ML · arxiv.org