arXiv cs.AI· Fotini Kiriakopoulou, Vassilis Lyberatos, Spyridon Kantarelis, Athanasios Voulodimos, Giorgos Stamou·· 11 小时前AI 评分18
基于声学与声乐技巧特征的可解释歌唱情感识别
Interpretable Singing Emotion Recognition Using Acoustic and Vocal Technique Features
AI 导读
研究提出一个可解释的歌唱情感识别框架，用涵盖韵律、频谱、语音学和声乐技巧的紧凑特征集替代纯深度学习模型，并结合 SHAP 与 GRAD-CAM 将预测关联到可测量的声学现象。评估显示歌唱专用特征可降低跨歌手差异，声乐技巧描述符提供可解释的演唱表达洞察。在 VocalSet 上的域外评估发现颤音与咽音技巧是情感传达的显著线索，SHAP 表明颤音对咬字速率具有上下文依赖性。
正文 · AI 翻译
摘要：歌唱情感识别主要依赖深度学习模型，这类模型性能强劲，但对驱动情感的声音特征洞察有限，且常常忽视歌唱声音作为一种独立信号。我们提出一个可解释的歌唱情感识别框架，使用一组紧凑的歌唱特定描述符，涵盖韵律、频谱特征、语音学和声乐技巧。为了解读模型决策并将预测与可测量的声学现象联系起来，我们采用 SHAP，并应用 GRAD-CAM 对声乐技巧的学习表征进行定性评估。评估表明，歌唱特定特征降低了跨歌手变异性，而声乐技巧描述符为歌唱表达提供了可解释的洞察。此外，在 VocalSet 上的域外评估揭示了情感表达与真实技术执行之间有趣的关联。分析强调颤音和咽音技巧是情感传达的显著线索，SHAP 表明颤音依赖于发音速率这一上下文。这些发现强调了领域特定特征对于可解释歌唱情感分析的价值。
| 主题： | 声音（cs.SD）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.32629 [cs.SD] |
| （或 arXiv:2610.32629v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32629 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Fotini Kiriakopoulou [查看电子邮件]
[v1]
2026年10月23日星期五 13:42:34 UTC（1,074 KB）
来源：arXiv cs.AI · arxiv.org