跳到主要内容
检索

Hanyu Meng

1 篇关联报道

订阅更新
  1. arXiv

    生成式目标说话人提取先修证据再解码:干净混音错说话人率从6.87%降到0.75%

    基于大语言模型的目标说话人提取会生成听感自然但内容漂移的语音,而它依赖的确定性提取证据本身可能已经抽错了说话人,把错误证据喂给生成模型只会强化错误。为此,一条免训练的证据修复流程从冻结的确定性提取路径构造五个候选,用冻结的说话人编码器选出与目标注册语音最一致的一个,再以该波形约束大语言模型的码空间解码。在Libri2Mix上,干净混音的错误说话人提取率从6.87%降到0.75%,含噪条件从18.95%降到10.46%;生成模型检查点不变时,含噪内容切换率与声学切换率分别从12.79%和1.68%降到9.10%和0.51%。

已读完全部报道