arXiv 论文提出可解释的歌唱情感识别框架
论文AI 评分 55/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇提交至 arXiv 的论文提出用少量歌唱专用描述符构建可解释的歌唱情感识别框架，这些描述符覆盖韵律、频谱、语音学与声乐技巧四类。研究用 SHAP 解读模型决策，用 GRAD-CAM 定性评估声乐技巧的学习表征。评估显示，歌唱专用特征能降低跨歌手差异，声乐技巧描述符可提供可解释的表达线索。在 VocalSet 上的域外评测显示，情感表达与真实技巧执行之间存在关联，颤音与咽音被视为情感传达的显著线索，SHAP 显示颤音依赖发音速率这一上下文。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法与特征设计
该工作针对歌唱情感识别过度依赖深度学习、难以说明哪些声音特征驱动情感的问题，提出以紧凑的歌唱专用描述符集合作为输入。描述符分为四组：韵律、频谱、语音学与声乐技巧。作者强调歌唱声音应被视为区别于语音的独立信号，因此特征选择围绕歌唱场景展开，而非直接沿用语音情感识别的通用特征。为把预测结果与可测量的声学现象对应起来，研究引入 SHAP 对模型决策做归因，并用 GRAD-CAM 对声乐技巧相关表征做定性观察。
评测发现
评估结果表明，使用歌唱专用特征有助于减小不同歌手之间的差异，声乐技巧类描述符则为歌唱表达提供可解释的线索。作者还在 VocalSet 上做了域外评测，观察到情感表达与真实技巧执行之间存在值得关注的关联。分析把颤音与咽音列为情感传达的显著线索，其中 SHAP 结果显示颤音的作用依赖发音速率这一上下文条件。论文由此论证领域专用特征对可解释歌唱情感分析的价值。
为什么值得看
关注可解释音频情感识别与声乐技术特征工程的研究者，可从中看到特征设计与归因方法的组合思路。
语音论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。