Il Framework AST Consente l'Editing Vocale di Precisione Senza Addestramento

È stato creato un nuovo framework denominato AST (Adattivo, Senza Soluzione di Continuità e Senza Addestramento) per l'editing vocale di precisione. Questo approccio innovativo supera le carenze delle attuali tecniche di editing vocale basate sul testo, che tipicamente richiedono un addestramento specifico costoso e possono presentare problemi di fedeltà temporale nelle aree non modificate. AST utilizza un modello di sintesi vocale da testo (Text-to-Speech, TTS) autoregressivo pre-addestrato e introduce un metodo chiamato Ricomposizione Latente, che consente l'integrazione accurata dei segmenti sorgente preservati con i nuovi segmenti target generati. Inoltre, facilita modifiche stilistiche precise per parti specifiche del discorso. Per minimizzare gli artefatti ai confini delle modifiche, AST impiega la Guida Fattuale Debole Adattiva (Adaptive Weak Fact Guidance, AWFG), che regola un segnale di guida nello spazio mel per mantenere la coerenza strutturale. Questo metodo mira a modificare segmenti vocali specifici preservando l'identità del parlante e il contesto acustico, affrontando i tipici compromessi tra qualità di editing e coerenza negli adattamenti TTS. I risultati sono dettagliati nella preprint arXiv 2604.16056v1.