「cs.SD」カテゴリーアーカイブ

Towards Contrastive Learning in Music Video Domain

投稿日: 2023年9月4日 作成者: jarxiv

要約 対照学習は、画像キャプション検索やオーディオビジュアル表現学習など、様々な … 続きを読む →

カテゴリー: cs.CV, cs.IR, cs.MM, cs.SD, eess.AS | Towards Contrastive Learning in Music Video Domain はコメントを受け付けていません

Time-Varying Quasi-Closed-Phase Analysis for Accurate Formant Tracking in Speech Signals

投稿日: 2023年9月1日 作成者: jarxiv

要約 この論文では、時変準閉位相 (TVQCP) 分析を使用して音声信号のフォル … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS, eess.SP | Time-Varying Quasi-Closed-Phase Analysis for Accurate Formant Tracking in Speech Signals はコメントを受け付けていません

OLISIA: a Cascade System for Spoken Dialogue State Tracking

投稿日: 2023年9月1日 作成者: jarxiv

要約 Dialogue State Tracking (DST) は音声対話シス … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | OLISIA: a Cascade System for Spoken Dialogue State Tracking はコメントを受け付けていません

Improving Mandarin Prosodic Structure Prediction with Multi-level Contextual Information

投稿日: 2023年9月1日 作成者: jarxiv

要約 テキスト音声合成 (TTS) 合成では、韻律構造予測 (PSP) が自然で … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Improving Mandarin Prosodic Structure Prediction with Multi-level Contextual Information はコメントを受け付けていません

Towards Spontaneous Style Modeling with Semi-supervised Pre-training for Conversational Text-to-Speech Synthesis

投稿日: 2023年9月1日 作成者: jarxiv

要約 会話中に自然発生的な動作が頻繁に発生するため、読み上げ形式に比べて話し言葉 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Towards Spontaneous Style Modeling with Semi-supervised Pre-training for Conversational Text-to-Speech Synthesis はコメントを受け付けていません

SpeechTokenizer: Unified Speech Tokenizer for Speech Large Language Models

投稿日: 2023年9月1日 作成者: jarxiv

要約 現在の音声大規模言語モデルは、意味論的トークンと音響トークンに分類できる離 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | SpeechTokenizer: Unified Speech Tokenizer for Speech Large Language Models はコメントを受け付けていません

Towards Improving the Expressiveness of Singing Voice Synthesis with BERT Derived Semantic Information

投稿日: 2023年9月1日 作成者: jarxiv

要約 本稿では、合成された歌声の表現力を向上させるために、Transformer … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Towards Improving the Expressiveness of Singing Voice Synthesis with BERT Derived Semantic Information はコメントを受け付けていません

ReZero: Region-customizable Sound Extraction

投稿日: 2023年9月1日 作成者: jarxiv

要約 マルチチャネル領域ごとのサウンド抽出 (R-SE) タスク用の一般的で柔軟 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | ReZero: Region-customizable Sound Extraction はコメントを受け付けていません

Diffiner: A Versatile Diffusion-based Generative Refiner for Speech Enhancement

投稿日: 2023年8月31日 作成者: jarxiv

要約 ディープ ニューラル ネットワーク (DNN) ベースの音声強調 (SE) … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Diffiner: A Versatile Diffusion-based Generative Refiner for Speech Enhancement はコメントを受け付けていません

LLaSM: Large Language and Speech Model

投稿日: 2023年8月31日 作成者: jarxiv

要約 マルチモーダル大規模言語モデルは、最近大きな関心を集めています。 ただし、 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | LLaSM: Large Language and Speech Model はコメントを受け付けていません