arXiv cs.AI· Mudit Sinha, Sanika Chavan·· 14 小时前AI 评分19
冻结音频编码器如何比较抹香鲸、人类语音、孟加拉雀与狨猴叫声的声学结构
Structure Across Voices: Comparing acoustic-event type accumulation and sequence dependence across four vocal corpora using frozen audio encoders
AI 导读
研究提出一套匹配流程，用冻结音频编码器为抹香鲸 coda、人类语音音素、孟加拉雀音节和普通狨猴叫声提供统一声学表示，并通过匹配采样让各语料获得同等证据量。结果显示四类语料模式各异：抹香鲸录音中新声学形式持续出现且序列高度组织化、重复性强，雀鸟录音的声音时间组织最强，尤其体现在相邻声音与重复模式的排列上。直接的时域与频谱测量证实这些差异也存在于录音本身。
正文 · AI 翻译
摘要：比较差异极大的发声语料库的声学结构很困难，因为录音使用不同的原生事件单元、包含不同数量的序列，并且是在不同条件下采集的。我们开发了一套匹配流程，用于在不强制统一事件定义的情况下比较此类语料库。冻结的音频编码器为录制事件提供共同的声学表示，而匹配采样则为每个语料库提供相同数量的证据用于声学和序列分析。我们将该流程应用于抹香鲸尾音、人类语音音素、孟加拉雀音节和普通狨猴叫声。比较揭示了四个语料库中的不同模式。抹香鲸录音在多个方面表现突出：新的声学形式持续出现，同时其序列也表现出很强的组织性和重复性。雀类录音显示出声音随时间的最强组织性，尤其是在相邻声音和重复模式的排列方式上。直接的时间和频谱测量表明，这些差异也存在于录制的声本身之中。该比较通过将共同的声学表示与匹配的观察机会相结合，提供了一种实用方法来衡量差异极大的发声语料库的声学多样性和时间组织性，而无需将其原生声音视为等同。
| 评论： | 12 页，4 幅图，2 张表 |
| 主题： | 声音（cs.SD）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.16612 [cs.SD] |
| （或 arXiv:2609.16612v2 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.16612 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Mudit Sinha [查看电子邮件]
[v1]
2026 年 9 月 15 日星期二 04:19:03 UTC（159 KB）
[v2]
2026 年 10 月 24 日星期六 04:10:16 UTC（936 KB）
来源：arXiv cs.AI · arxiv.org