「cs.SD」カテゴリーアーカイブ

A Self-Refining Framework for Enhancing ASR Using TTS-Synthesized Data

投稿日: 2025年6月17日 作成者: jarxiv

要約 非標識データセットのみでASRパフォーマンスを強化する自己強化フレームワー … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | A Self-Refining Framework for Enhancing ASR Using TTS-Synthesized Data はコメントを受け付けていません

Stream-Omni: Simultaneous Multimodal Interactions with Large Language-Vision-Speech Model

投稿日: 2025年6月17日 作成者: jarxiv

要約 GPT-4O様の大型マルチモーダルモデル（LMMS）の出現により、テキスト … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.SD, eess.AS | Stream-Omni: Simultaneous Multimodal Interactions with Large Language-Vision-Speech Model はコメントを受け付けていません

Non-intrusive Speech Quality Assessment with Diffusion Models Trained on Clean Speech

投稿日: 2025年6月16日 作成者: jarxiv

要約 拡散モデルは、高品質で自然な音声サンプルを生成することに大きな成功を収めて … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Non-intrusive Speech Quality Assessment with Diffusion Models Trained on Clean Speech はコメントを受け付けていません

Impact of Frame Rates on Speech Tokenizer: A Case Study on Mandarin and English

投稿日: 2025年6月16日 作成者: jarxiv

要約 音声トークネイザーは、最近の音声タスクで重要な役割を果たし、一般的に音声シ … 続きを読む →

カテゴリー: 68T10, cs.AI, cs.CL, cs.SD, eess.AS, I.2.7 | Impact of Frame Rates on Speech Tokenizer: A Case Study on Mandarin and English はコメントを受け付けていません

Reimagining Dance: Real-time Music Co-creation between Dancers and AI

投稿日: 2025年6月16日 作成者: jarxiv

要約 ダンスのパフォーマンスは、伝統的に、動きが音楽に反応する一方的な関係に従っ … 続きを読む →

カテゴリー: cs.AI, cs.HC, cs.SD, eess.AS | Reimagining Dance: Real-time Music Co-creation between Dancers and AI はコメントを受け付けていません

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 | UmbraTTS: Adapting Text-to-Speech to Environmental Contexts with Flow Matching はコメントを受け付けていません

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 | Regularizing Learnable Feature Extraction for Automatic Speech Recognition はコメントを受け付けていません

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 | InterActHuman: Multi-Concept Human Animation with Layout-Aligned Audio Conditions はコメントを受け付けていません

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 | Teaching Physical Awareness to LLMs through Sounds はコメントを受け付けていません

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 | Teaching Physical Awareness to LLMs through Sounds はコメントを受け付けていません