Emotion controllable speech synthesis using emotion-unlabeled dataset with the assistance of cross-domain speech emotion recognition
원문 초록
Neural text-to-speech (TTS) approaches generally require a huge number of high quality speech data, which makes it difficult to obtain such a dataset with extra emotion labels. In this paper, we propose a novel approach for emotional TTS synthesis on a TTS dataset without emotion labels. Specifically, our proposed method consists of a cross-domain speech emotion recognition (SER) model and an emotional TTS model. Firstly, we train the cross-domain SER model on both SER and TTS datasets. Then, we use emotion labels on the TTS dataset predicted by the trained SER model to build an auxiliary SER task and jointly train it with the TTS model. Experimental results show that our proposed method can generate speech with the specified emotional expressiveness and nearly no hindering on the speech quality.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
다국어 두 화자 대화 음성을 위한 화자 분리 기반 Qwen-ASR 적응
Diarization-Guided Qwen-ASR Adaptation for Multilingual Two-Speaker Conversational Speech
본 논문은 다국어 두 화자 대화 음성을 대상으로 하는 MLC-SLM 2026 챌린지 Task 1을 위해 자체 설계한 시스템을 기술한다. 이 시스템은 모듈형 화자 분리(speaker diarization) 프론트엔드와 챌린지에 맞게 적응된 Qwen3-ASR-1.7B 인식기를 결합한다. 화자 분리 프론트엔드는 음성 활동 감지(voice activity detection), 서브세그먼트 생성, CAMPPlus 화자 임베딩 추출, 두 화자 스펙트럴 클러스터링(spectral clustering), RTTM 기반 오디오 분할을 수행한다. 이렇게 생성된 화자 귀속 세그먼트는 언어 또는 지역별로 그룹화되어 적응된 ASR 모델로 디코딩된다. ASR 적응을 위해 먼저 공식 학습 데이터로 지도 완전 미세조정(supervised full fine-tuning)을 수행한 뒤, 3단계 파이프라인 TTS 기반 합성 음성 증강 프레임워크로 생성한 합성 음성으로 LoRA 미세조정을 적용하고, 마지막으로 WER/CER 기반 보상과 환각(hallucination), 반복, 길이 편차에 대한 패널티를 사용하는 GRPO 강화학습으로 모델을 정제한다. 공식 개발 세트에서 전체 시스템은 평균 tcpMER 23.70을 달성하여, 공개된 Qwen-ASR-1.7B 대비 오류율을 절대값 6.83포인트 감소시켰다. 최종 평가 세트에서는 평균 tcpMER 17.97을 달성하였다. 에이블레이션 결과에 따르면 지도 미세조정이 가장 큰 성능 향상을 제공하며, 합성 음성 LoRA 적응과 강화학습이 추가적으로 견고성을 개선하는 것으로 나타났다.
LuxEmo: 룩셈부르크어를 위한 표현적 텍스트 음성 변환 말뭉치
LuxEmo: Expressive Text-to-Speech Corpus for Luxembourgish
최신 음성 데이터셋은 주로 널리 사용되는 언어에 집중하며, 음성 기술 연구에서 저자원 언어(low-resource language)로 남아 있는 룩셈부르크어와 같은 언어를 간과하는 경우가 많다. 본 연구에서는 4가지 감정 범주를 갖춘 룩셈부르크어용 21시간 분량의 대화형 표현 음성 말뭉치인 LuxEmo를 소개한다. LuxEmo는 자동화된 감지와 인간 검증을 거쳐 Radio Télévision Luxembourg(RTL) 청소년 방송에서 수집되었다. 우리는 음성 활동 감지(voice activity detection), 잡음 제거(denoising), 언어 식별(language identification), LuxASR 기반 분할, 자동 감정 예측, 어휘적 단서 및 집중적 인간 검토를 결합한 반자동 큐레이션 워크플로를 제안한다. 또한 독일어 기반 교차 언어 전이(cross-lingual transfer), 다국어 룩셈부르크어 지원, 룩셈부르크어 적응, 비모수 운율 전이(non-parametric prosody transfer)를 포함하는 5개의 표현적 텍스트 음성 변환(TTS) 시스템을 벤치마크한다. 성능은 객관적 지표와 인간 평가 모두를 사용하여 평가된다.
UR-BERT: 보편적 로마자 표기와 음성 토큰 예측을 통한 대규모 다국어 텍스트 음성 변환을 위한 텍스트 인코더 확장
UR-BERT: Scaling Text Encoders for Massively Multilingual TTS Through Universal Romanization and Speech Token Prediction
우리는 대규모 다국어 텍스트 음성 변환(TTS) 시스템을 위한 로마자 표기 기반의 텍스트 음성 변환(TTS) 인코더인 UR-BERT를 제안합니다. 기존의 문자소-음소 변환(G2P) 기반 접근법은 신뢰할 수 있는 G2P 리소스의 가용성으로 인해 약 100개 언어로 제한됩니다. 이와 대조적으로, UR-BERT는 다양한 문자 체계를 공유된 로마자 표기 표현으로 통합하여 495개 언어로 확장할 수 있습니다. 음성적 충실도와 텍스트-음성 정렬을 더욱 향상시키기 위해, 우리는 학습(training) 중에 음성 토큰 예측 목적 함수를 도입하여, 인코더가 데이터 효율적인 방식으로 음성 인지형 음성학적 표현을 학습하도록 유도합니다. 실험 결과, UR-BERT로 구축된 TTS 시스템은 다양한 언어 및 리소스 조건에서 최근 텍스트 인코더 기준 모델들을 지속적으로 능가하며, 보이지 않는 언어에 대한 강력한 일반화 능력을 입증했습니다.
Bts-e: Audio deepfake detection using breathing-talking-silence encoder
Mlphon: A Multifunctional Grapheme-Phoneme Conversion Tool Using Finite State Transducers
Effective Deep Learning Models for Automatic Diacritization of Arabic Text
토론
이 논문과 연결된 포럼 글이 아직 없습니다.