Skip to content
Hot eventLive

免训练语音转换新方法 StateVC 发布

2 reports1 sources3 hr ago updated

Get the story

AI overview

2026-10-02，arXiv 发表 Audio and Speech 论文 Shared-State Local Translations for Training-Free Voice Conversion，提出 StateVC。方法通过高斯混合模型对源与参考语音的 WavLM 帧表示聚类，在每个状态内估计均值偏移并按帧后验概率组合更新，实现无训练语音转换。在 LibriSpeech 单样本协议下，WER 8.01%、CER 3.22%、SIM 0.9512，达到最高感知相似度和自然度。同日另一篇 arXiv 论文 FlowW2N 提出基于流匹配的耳语到正常语音转换方法，在 CHAINS 和 wTIMIT 上词错误率相对降低 26-46%，推理仅需 10 步，无需真实配对数据。

Generated from reports · updated 2 hr ago

LatestOct 2
StateVC 在 LibriSpeech 单样本协议下 WER 8.01%、CER 3.22%、SIM 0.9512，实现无训练高保真语音转换。

Developments

2 developments
  1. Oct 2 · 1 reports
    FlowW2N：基于流匹配的耳语到正常语音转换
    arXiv · Audio and Speech: FlowW2N：基于流匹配的耳语到正常语音转换
  2. Oct 2 · 1 reports
    StateVC：训练免语音转换新方法
    arXiv · Audio and Speech: Shared-State Local Translations for Training-Free Voice Conversion

Timeline

Follow the coverage from different angles.

Oct 2, 2026
  1. arXiv · Audio and Speech
    FlowW2N：基于流匹配的耳语到正常语音转换

    FlowW2N 提出一种条件流匹配方法，仅用合成时间对齐的耳语-正常语音对训练，将 CHAINS 和 wTIMIT 上的词错误率相对降低 26-46%，推理仅需 10 步，无需真实配对数据，在 ASR 嵌入层面验证了跨域不变性。

  2. arXiv · Audio and Speech
    Shared-State Local Translations for Training-Free Voice Conversion

    StateVC 提出共享状态机制，在 LibriSpeech 单样本协议下实现 WER 8.01%、CER 3.22%、SIM 0.9512 的转换效果。系统通过高斯混合模型对源与参考语音的 WavLM 帧表示进行聚类，在每个状态内估计均值偏移并按帧后验概率组合更新，在无训练条件下达到最高感知相似度和自然度。

Heat trend

There is not enough continuous observation data to draw a trend yet.