长程非平稳变分自编码器

构音障碍语音合成

在变分自编码器中同时编码音素长程依赖时长与非平稳波动，还原构音障碍语音的病理特征。

Zhang, Daipeng · Hongcheng, Zhang · 路文焕 · Wei, Li · 王静红 · 魏建国

IEEE Journal on Selected Topics in Signal Processing 2025

参数信息

中文客观指标最佳数

29

英文客观指标最佳数

28

词错率相对提升幅度

4.52 %

技术优势

少量数据即超SOTA

仅用 0.5 倍增强数据微调识别模型，词错率比使用 4 倍增强数据的当前 SOTA 方法低 4.52%，数据效率大幅提升。

专家评分最高

LNVAE 合成的语音在平均意见分（MOS）实验中获得了言语康复专家的最高评分，表明其自然度和病理相似性得到临床认可。

应用场景

• 构音障碍语音识别：用少量合成数据微调识别模型，即可大幅降低词错率。
• 医疗语音助手：生成贴近患者真实语音的数据，训练助手适应病理语音输入。
• 语音生物标志物：保留音素时长和非平稳特征，支撑基于语音的病理标志物研究。
• 面向语音的智能体：为面向语音的智能体提供构音障碍语音合成能力，提升交互鲁棒性。