研究定位语音信号中音色信息分布

Yiquan Zhou 等发布论文《Where Does Timbre Hide?》（arXiv:2610.29150，被 SLT2026 接收），以说话人身份为可测量代理，探查音色信息在语音信号中的分布位置，覆盖频带、相位/幅度、WORLD 声源-滤波分解、自监督模型各层以及 EnCodec/HuBERT token。 研究发现音色信息呈分布式：1–8 kHz 的幅度和声道谱包络结构主导人的听觉感知，8 kHz 以上频段仍可被机器判别；自监督模型的浅层包含紧凑的说话人信息；token 是否泄露说话人信息取决于分词器和层的选择。实验涉及普通话、英语和日语的语音与歌唱数据，并开展了 45 名听者的测试。

AI 根据报道生成 · 52 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。