VOSSA：面向流式语音架构的声纹优化框架

VOSSA 是一种面向流式语音转换的说话人表征框架，从内容编码器中间层提取说话人信息并用注意力统计池化聚合，与语音转换目标联合训练，无需独立说话人编码器。在六个数据集上，VOSSA 改善了 F0 动态与元音区分性声学线索，同时保持 NISQA-MOS、WER 和说话人相似度相当。感知测试显示自然度、说话人相似度、可懂度和活跃度均有提升。