#speech
共 17 篇相关内容 · 安全漏洞、AI动态、技术文章
技术文章 17
PASQA：专攻日语语音重音正确性的质量评估新范式
日本LY Corporation团队提出PASQA模型，专攻语音合成中日语声调重音的正确性评估。该模型基于自监督学习框架wav2vec 2.0，融合音节信息、排序损失、帧级错误检测和说话人不变训练四大策略。实验表明，传统MOS预测模型对重音错误的排序准确率仅13%至20%，而PASQA达到75%以上，与人类判断的相关系数达0.828，为TTS系统的精细质量评估开辟了全新路径。
PASQA：专注语音重音正确性的质量评估新方法
日本雅虎LY公司团队提出PASQA模型，专门评估语音合成中日语声调重音的正确性。该模型基于自监督学习框架wav2vec 2.0，融合音节信息、排序损失、帧级错误检测和说话人不变训练四大策略。实验证明，传统MOS预测模型对重音错误完全不敏感，而PASQA在排序准确率和人类判断一致性上均大幅领先，为TTS系统的精细质量评估开辟了新路径。
PASQA：专注重音质量评估的语音评估新模型——用合成语音训练出听感黄金耳朵
PASQA是首个专门针对重音正确性的语音质量评估模型。现有MOS预测模型对重音错误不敏感，而PASQA利用重音可控TTS合成训练数据，结合音节条件融合、排序损失、辅助错误定位和说话人不变训练四大技术，实现了高精度的重音质量评估，已被INTERSPEECH 2026接收。
PASQA：专攻声调重音的语音质量评估模型——让AI也能听出「味噌汤里放错了盐」
现有的语音质量评估模型对声调重音错误视而不见。PASQA用合成语音制造可控的声调错误来训练模型，让模型学会像日语母语者一样敏锐地捕捉重音位置偏差。该模型结合音拍条件融合、排序损失、辅助错误定位和说话人不变训练等多项技术，已被INTERSPEECH 2026接收。
PASQA：专攻声调重音的语音质量评估模型——让AI也能听出「味噌汤里放错了盐」
现有的语音质量评估模型对声调重音错误视而不见。PASQA用合成语音制造可控的声调错误来训练模型，让模型学会像日语母语者一样敏锐地捕捉重音位置偏差。该模型结合音拍条件融合、排序损失、辅助错误定位和说话人不变训练等多项技术，已被INTERSPEECH 2026接收。
PASQA：专攻日语声调重音的语音质量评估模型
东京大学与LINE联合研究团队提出PASQA，首个专门针对声调重音（pitch-accent）正确性的语音质量评估模型。该模型基于自监督语音表示，结合音拍条件融合、排序损失和重音错误定位任务，在日语合成语音上实现了对重音错误的精准检测，远超传统MOS预测模型。论文已被INTERSPEECH 2026接收。
PASQA：专攻日语声调重音的语音质量评估模型
东京大学与LINE联合研究团队提出PASQA，首个专门针对声调重音（pitch-accent）正确性的语音质量评估模型。该模型基于自监督语音表示，结合音拍条件融合、排序损失和重音错误定位任务，在日语合成语音上实现了对重音错误的精准检测，远超传统MOS预测模型。论文已被INTERSPEECH 2026接收。
PASQA：聚焦音高重音的语音质量评估模型——用合成语音训练出"重音听诊器"
日本LY Corporation团队提出PASQA模型，专门评估日语语音合成中的音高重音正确性。该模型通过可控TTS系统构建大规模重音错误数据集，结合自监督学习、音拍条件融合、排序损失和说话人不变训练等四项创新，在重音质量排序准确率和与人类判断的一致性上均显著超越传统MOS预测模型，并在域外GPT-4o-mini-TTS系统上保持鲁棒性能。
基于语音段落级表征学习的普通话认知障碍检测：自编码器与对比学习的融合方案
语音作为低成本无侵入的数字生物标志物，在认知障碍检测中潜力巨大。本研究提出段落级语音表征学习框架，结合自编码器与对比学习，在四个普通话数据集上验证了稳定性能，尤其在临床难度最高的三分类任务中表现突出，为资源受限的临床环境提供了可扩展的筛查方案。
PASQA：面向音高重音的语音质量评估模型——用合成语音训练出人类级别的重音判断能力
PASQA提出了一种专门针对音高重音正确性的语音质量评估模型。通过使用可控制重音的TTS系统构造带有重音错误的合成语音数据集，并结合音节条件融合、排序损失、重音错误定位辅助任务和说话人不变训练等技术，PASQA在重音正确性判断上显著超越了传统MOS预测模型，被Interspeech 2026接收。
Zero-VC：零前瞻流式语音转换——用说话人匿名化技术实现真正实时的声线变换
Zero-VC提出了一种全新的零前瞻流式语音转换方法，利用说话人匿名化(SA)作为扰动机制，解决了现有方法在音色泄露与音质保持之间的权衡难题。该方法采用严格因果架构，完全无需缓冲未来帧，实现了真正的零延迟实时语音转换，被Interspeech 2026接收。
个性化关键词检测新突破：ZP-KWS如何用155万参数实现说话人级精准唤醒
本文深入解读Interspeech 2026收录论文ZP-KWS——一个面向用户自定义关键词的轻量级个性化语音唤醒框架。该框架结合音素监督音频编码器与GE2E预训练说话人编码器（仅0.9M参数），通过乘性晚期融合赋予两个分支独立否决权，在155万参数预算内实现双重零样本检测，在LibriPhrase等数据集上将目标说话人FRR降低最高60%，为边缘设备的个性化语音交互开辟了新路径。
Zero-VC：零前瞻延迟的流式语音转换——用说话人匿名化突破实时变声的瓶颈
Zero-VC提出了一种零前瞻延迟的流式语音转换方法，创新性地将说话人匿名化（SA）作为扰动机制，在严格因果架构下实现高质量实时语音转换。该方法通过SA产生的鲁棒表征消除了模型对未来帧的依赖，在保持韵律完整性的同时避免音色泄漏，已被Interspeech 2026接收。
MixProLAP：混合音频的概率语言-音频预训练框架——让AI真正听懂复杂声场
MixProLAP提出了一种概率音频-语言预训练框架，通过将确定性嵌入替换为概率分布嵌入，并创新性地使用音频-文本混合策略来模拟真实的多声源场景。配合多层级包含损失约束语义层次关系，该方法在音频-文本检索基准上显著优于传统确定性方法，为复杂声场的AI理解提供了新范式。
FlowEdit：用联想记忆实现TTS终身发音自适应，让语音合成不再念错名字
FlowEdit为冻结的流匹配TTS系统引入终身发音修正框架，通过在文本嵌入空间中学习token级扰动并存储在现代Hopfield网络中，实现内容可寻址的记忆检索。在312个多语言专有名词基准上，目标词音素错误率降低92.7%，单GPU修正仅需约15秒。
FlowEdit：用联想记忆实现TTS终身发音自适应，92.7%的音素错误率降低
Flow-matching文本转语音系统虽然在零样本场景下表现出色，但部署后对专有名词的发音错误无法自动修正。本文解读Singh等人提出的FlowEdit框架，该框架将发音修正编码为潜空间条件扰动而非权重更新，并利用现代Hopfield网络作为内容寻址的情景记忆存储修正。在跨18个语系的312个多语言专有名词基准测试上，FlowEdit将目标词音素错误率降低了92.7%，单GPU仅需约15秒完成修正。
指令如何塑造语音？交叉注意力归因揭示风格描述TTS的内部机制
这篇论文首次将DAAM框架从图像迁移到语音扩散模型，提出了交叉注意力归因方法分析风格描述TTS系统。分析3,600组组合后发现：风格词元具有全局调制作用，风格注意力与基频和能量相关，风格调制在早期步骤和深层网络中达到峰值，注意力熵在第17层最小。这是首个研究自然语言如何影响语音扩散模型中交叉注意力的工作。