Reference-Driven Multi-Speaker Audio Scene Generation from In-the-Wild Priors

「ScenA」は、参照音声とテキストからリアルな会話のテクスチャを持つマルチスピーカー音響シーン生成を可能にする。大規模データで事前学習されたモデルを活用する。

• 参照音声とテキストから、リアルな会話テクスチャを持つマルチスピーカー音響シーン生成を可能にする「ScenA」を提案。
• 大規模データで事前学習されたモデルを活用し、生成される音声シーンの品質と多様性を向上させる。
• これにより、より没入感のあるオーディオコンテンツ制作や、高度な対話システムへの応用が期待される。