arXiv · AI· Yiquan Zhou, Yixuan Wang, Xiaozhe Qi, Xin Gao, Shihao Li·· 29 天前AI 评分23
语音信号中说话人音色信息的定位研究
Where Does Timbre Hide? Localizing Speaker Information in Speech Signals
AI 导读
研究定位了语音信号中承载音色信息的特征,发现1--8 kHz幅度与声谱包络主导感知,而8 kHz以上频段仍具机器判别力。 研究探针了频率带、WORLD源/滤波器分解、SSL层及EnCodec/HuBERT token,并在中、英、日语数据上通过45名听者测试验证了说话人信息的分布式特性。 这些结果指明了生成系统应条件化或转换说话人信息的区域,以及内容、编解码和token流水线需审计残余泄漏的位置。
来源:arXiv · AI · arxiv.org