论文导读
巴黎萨克雷大学、法国国家科学研究中心、格勒诺布尔阿尔卑斯大学团队训练了一个语音转换层，用连续分贝目标调整发声强度，而不只是把录音播放得更响。在校准语料的未见说话人测试中，WavLM方案实现约83%的目标强度变化；听觉实验也显示，目标越高，听者感知的发声越强。
音量旋钮，改不了发声方式
在峰值归一化的听觉测试中，目标分贝越高，转换语音被判断为更强的发声。论文把听者的判断点和误差线画出来，与原始录音及完全符合目标的虚线对照。
图：蓝色转换声音测量点及误差线随目标分贝上升，橙线表示原始录音，灰虚线表示目标与感知完全一致。
同一句话，轻声说和用力说，不只是波形整体放大或缩小。声带振动、音高和声音的频谱也会变化。只把播放器音量调高，保留的仍是原来的发声方式。
这篇论文给转换模型一个连续的目标值，让它在尽量保留原句内容和说话人特征的同时，改变发声强度。目标用分贝声压级表示，并统一到离说话人嘴部一米的位置。这样，不同录音里的数值才可以在明确的测量条件下比较。
编码器不动，只改中间表示
模型先把录音编码成一段内部特征，再让一个小转换器根据目标强度修改特征，最后用已有声码器重新生成声音。编码器和声码器保持冻结，训练集中在中间转换层。
团队比较了三种内部表示：常见的声音频谱、WavLM的特征，以及SpeechTokenizer的特征。同样的转换结构和训练目标分别用于三套表示，检查哪一种更适合表达发声变化。
训练不要求把一段轻声录音直接对齐到同一人同一句的响亮录音。模型通过真实声音与目标强度是否相配来学习，还要求改成另一强度后再改回去，能恢复原来的内部表示；目标不变时，则尽量不修改输入。输出帧数与输入相同，所以这套转换并不负责改变语速或时长。
图：上方流程连接编码器、转换层和解码器，下方鉴别器与回转箭头用于训练时检查强度配对与恢复。
83%是变化斜率，不是准确率
研究使用AVID校准语料，包含50名说话人的不同发声强度录音。训练、验证、测试按说话人分开，其中6人只用于测试。客观评估把同一说话人、同一句话的另一强度作为目标，共形成4786次转换。
WavLM方案的强度变化回归斜率为0.83，论文因此描述为实现约83%的目标变化。它的含义是：目标强度差越大，测得的转换差也相应增加，但平均变化幅度还没有完全达到目标。不能把这个数字写成83%的样本转换成功。
评估使用一个独立的强度预测器，这个预测器没有参与转换器的训练目标。对它而言，录音振幅被归一化，无法只靠音量大小判断强度。转换还影响了基频等发声特征，因此观察到的变化超过单纯振幅放大。
图：表格分别列出转换和重合成的强度斜率、声学参数、词错误率与自然度，括号给出置信区间。
播放同样响，还能听出强度差
听觉实验也把声音做了峰值归一化，使播放振幅不再直接告诉听者哪个更响。听者比较转换结果和原始录音，选择哪一个听起来发声更强。81名参与者中，54名通过控制题要求，被纳入分析。
随着目标分贝增加，转换声音感知强度总体上升，但相同目标下不同源录音仍会造成差异。论文把这项能力描述为相对强度可控，绝对感知级别的一致性还有差距。图里的蓝色点和误差线表达听觉判断的趋势，不能当作每一条输出都精确达到目标。
声音内容和自然度也需要检查。转换后，各套表示的词错误率都高于只重合成原录音的情况。WavLM的转换词错误率约8.3%，原录音约4.7%；它在几套转换方案中保留内容较好，却仍付出了变化成本。
项目提供WavLM转换模型、代码和测试样例，可把目标值设在训练覆盖的范围内。当前结果来自带有校准信息的语料，而不是已经验证任意手机录音都能准确恢复绝对发声分贝。
