「cs.SD」カテゴリーアーカイブ

UmbraTTS: Adapting Text-to-Speech to Environmental Contexts with Flow Matching

投稿日: 2025年6月12日 作成者: jarxiv

要約 テキストからスピーチ（TTS）の最近の進歩により、非常に自然な音声統合が可 … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | コメントする

Regularizing Learnable Feature Extraction for Automatic Speech Recognition

投稿日: 2025年6月12日 作成者: jarxiv

要約 ニューラルフロントエンドは、音響モデルに適合するように直接訓練できるため、 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | コメントする

InterActHuman: Multi-Concept Human Animation with Layout-Aligned Audio Conditions

投稿日: 2025年6月12日 作成者: jarxiv

要約 豊富なマルチモーダル条件を備えたエンドツーエンドの人間のアニメーション、例 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.SD | コメントする

Teaching Physical Awareness to LLMs through Sounds

投稿日: 2025年6月12日 作成者: jarxiv

要約 大規模な言語モデル（LLM）は、テキストとマルチモーダル処理に顕著な能力を … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.RO, cs.SD, eess.AS | コメントする

Teaching Physical Awareness to LLMs through Sounds

投稿日: 2025年6月11日 作成者: jarxiv

要約 大規模な言語モデル（LLM）は、テキストとマルチモーダル処理に顕著な能力を … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.RO, cs.SD, eess.AS | コメントする

Step-Audio-AQAA: a Fully End-to-End Expressive Large Audio Language Model

投稿日: 2025年6月11日 作成者: jarxiv

要約 大規模なオーディオ言語モデル（LALMS）は、インテリジェントなヒューマン … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | コメントする

Label-Context-Dependent Internal Language Model Estimation for CTC

投稿日: 2025年6月9日 作成者: jarxiv

要約 コネクショニストの時間分類（CTC）には、ラベルコンテキストの独立性の仮定 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | コメントする

Efficient and Direct Duplex Modeling for Speech-to-Speech Language Model

投稿日: 2025年6月9日 作成者: jarxiv

要約 話し言葉の対話は、人間のコンピューターの相互作用の直感的な形式ですが、現在 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | コメントする

Efficient Fine-Grained Guidance for Diffusion Model Based Symbolic Music Generation

投稿日: 2025年6月9日 作成者: jarxiv

要約 生成モデルを開発して、象徴的な音楽を作成または条件付けて作成することは、デ … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.MM, cs.SD, eess.AS | コメントする

The NTNU System at the S&I Challenge 2025 SLA Open Track

投稿日: 2025年6月6日 作成者: jarxiv

要約 音声言語評価に関する最近の研究ライン（SLA）は、BertやWAV2VEC … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | コメントする