Buchumschlag

Enhancing In-the-Wild Speech Emotion Conversion with Resynthesis-based Duration Modeling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Prabhu, Navin Raj, de Oliveira, Danilo, Lehmann-Willenbrock, Nale, Gerkmann, Timo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Audio and Speech Processing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

EMOCONV-DIFF: Diffusion-based Speech Emotion Conversion for Non-parallel and In-the-wild Data
von: Prabhu, Navin Raj, et al.
Veröffentlicht: (2023)

Too Good to Be True: A Study on Modern Automatic Speech Recognition for the Evaluation of Speech Enhancement
von: de Oliveira, Danilo, et al.
Veröffentlicht: (2026)

Investigating Training Objectives for Generative Speech Enhancement
von: Richter, Julius, et al.
Veröffentlicht: (2024)

Are These Even Words? Quantifying the Gibberishness of Generative Speech Models
von: de Oliveira, Danilo, et al.
Veröffentlicht: (2025)

Do We Need EMA for Diffusion-Based Speech Enhancement? Toward a Magnitude-Preserving Network Architecture
von: Richter, Julius, et al.
Veröffentlicht: (2025)

LipDiffuser: Lip-to-Speech Generation with Conditional Diffusion Models
von: Richter, Julius, et al.
Veröffentlicht: (2025)

A Fast Solver for Interpolating Stochastic Differential Equation Diffusion Models for Speech Restoration
von: Lay, Bunlong, et al.
Veröffentlicht: (2026)

The PESQetarian: On the Relevance of Goodhart's Law for Speech Enhancement
von: de Oliveira, Danilo, et al.
Veröffentlicht: (2024)

An Analysis of the Variance of Diffusion-based Speech Enhancement
von: Lay, Bunlong, et al.
Veröffentlicht: (2024)

Non-intrusive Speech Quality Assessment with Diffusion Models Trained on Clean Speech
von: de Oliveira, Danilo, et al.
Veröffentlicht: (2024)

Diffusion Buffer: Online Diffusion-based Speech Enhancement with Sub-Second Latency
von: Lay, Bunlong, et al.
Veröffentlicht: (2025)

Multi-channel Speech Separation Using Spatially Selective Deep Non-linear Filters
von: Tesch, Kristina, et al.
Veröffentlicht: (2023)

Bone-conduction Guided Multimodal Speech Enhancement with Conditional Diffusion Models
von: Khanagha, Sina, et al.
Veröffentlicht: (2026)

Prosodically Enhanced Foreign Accent Simulation by Discrete Token-based Resynthesis Only with Native Speech Corpora
von: Onda, Kentaro, et al.
Veröffentlicht: (2025)

Dynamics of Collective Group Affect: Group-level Annotations and the Multimodal Modeling of Convergence and Divergence
von: Prabhu, Navin Raj, et al.
Veröffentlicht: (2024)

Robustness of Speech Separation Models for Similar-pitch Speakers
von: Lay, Bunlong, et al.
Veröffentlicht: (2024)

An Analysis of Joint Nonlinear Spatial Filtering for Spatial Aliasing Reduction
von: Mannanova, Alina, et al.
Veröffentlicht: (2025)

Are Modern Speech Enhancement Systems Vulnerable to Adversarial Attacks?
von: Makarov, Rostislav, et al.
Veröffentlicht: (2025)

StoRM: A Diffusion-based Stochastic Regeneration Model for Speech Enhancement and Dereverberation
von: Lemercier, Jean-Marie, et al.
Veröffentlicht: (2022)

Speech Enhancement and Dereverberation with Diffusion-based Generative Models
von: Richter, Julius, et al.
Veröffentlicht: (2022)

Total-Duration-Aware Duration Modeling for Text-to-Speech Systems
von: Eskimez, Sefik Emre, et al.
Veröffentlicht: (2024)

ReverbFX: A Dataset of Room Impulse Responses Derived from Reverb Effect Plugins for Singing Voice Dereverberation
von: Richter, Julius, et al.
Veröffentlicht: (2025)

Steering Deep Non-Linear Spatially Selective Filters for Weakly Guided Extraction of Moving Speakers in Dynamic Scenarios
von: Kienegger, Jakob, et al.
Veröffentlicht: (2025)

Autoregressive Guidance of Deep Spatially Selective Filters using Bayesian Tracking for Efficient Extraction of Moving Speakers
von: Kienegger, Jakob, et al.
Veröffentlicht: (2026)

Adaptive Rotary Steering with Joint Autoregression for Robust Extraction of Closely Moving Speakers in Dynamic Scenarios
von: Kienegger, Jakob, et al.
Veröffentlicht: (2026)

SELM: Enhancing Speech Emotion Recognition for Out-of-Domain Scenarios
von: Bukhari, Hazim, et al.
Veröffentlicht: (2024)

Diffusion Buffer for Online Generative Speech Enhancement
von: Lay, Bunlong, et al.
Veröffentlicht: (2025)

Lessons Learnt: Revisit Key Training Strategies for Effective Speech Emotion Recognition in the Wild
von: Tzeng, Jing-Tong, et al.
Veröffentlicht: (2025)

Conversational Speech Naturalness Predictor
von: Xu, Anfeng, et al.
Veröffentlicht: (2026)

Wind Noise Reduction with a Diffusion-based Stochastic Regeneration Model
von: Lemercier, Jean-Marie, et al.
Veröffentlicht: (2023)

Mask-Weighted Spatial Likelihood Coding for Speaker-Independent Joint Localization and Mask Estimation
von: Kienegger, Jakob, et al.
Veröffentlicht: (2024)

FNH-TTS: Mixture-of-Experts Duration Modeling for Robust Neural Speech Synthesis
von: Meng, Qingliang, et al.
Veröffentlicht: (2025)

Real-Time Streaming Mel Vocoding with Generative Flow Matching
von: Welker, Simon, et al.
Veröffentlicht: (2025)

Few-shot Personalization via In-Context Learning for Speech Emotion Recognition based on Speech-Language Model
von: Ihori, Mana, et al.
Veröffentlicht: (2025)

Single and Few-step Diffusion for Generative Speech Enhancement
von: Lay, Bunlong, et al.
Veröffentlicht: (2023)

Emotion-Aware Prefix: Towards Explicit Emotion Control in Voice Conversion Models
von: Yang, Haoyuan, et al.
Veröffentlicht: (2026)

DubWise: Video-Guided Speech Duration Control in Multimodal LLM-based Text-to-Speech for Dubbing
von: Sahipjohn, Neha, et al.
Veröffentlicht: (2024)

EARS: An Anechoic Fullband Speech Dataset Benchmarked for Speech Enhancement and Dereverberation
von: Richter, Julius, et al.
Veröffentlicht: (2024)

DMOSpeech 2: Reinforcement Learning for Duration Prediction in Metric-Optimized Speech Synthesis
von: Li, Yinghao Aaron, et al.
Veröffentlicht: (2025)

Large Language Model Guided Decoding for Self-Supervised Speech Recognition
von: Cohen, Eyal, et al.
Veröffentlicht: (2025)