音色藏在哪：语音信号中说话人信息的定位

论文定位音色信息在频带、SSL 层与 token 中的分布

资讯摘要

论文以说话人身份为可测代理，探查音色信息在语音信号中的分布位置。作者分析了频带、相位/幅度结构、WORLD 源滤波分解、清浊音区、SSL 层、EnCodec/HuBERT token，并开展 45 人听测，覆盖普通话、英语、日语的语音与歌唱数据。结果显示说话人信息呈分布式：1–8 kHz 幅度与声道谱包络结构主导感知，8 kHz 以上频带仍具机器可判别性，浅层 SSL 含紧凑说话人信息，token 泄漏取决于分词器与层选择。

要点速读

1. 论文探查频带、相位/幅度、WORLD 分解、清浊音区、SSL 层与 EnCodec/HuBERT token 中的说话人信息
2. 45 人听测覆盖普通话、英语、日语的语音与歌唱数据
3. 作者报告 1–8 kHz 幅度与声道谱包络主导感知，8 kHz 以上仍可机器判别，token 泄漏随分词器与层变化

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。