「cs.SD」カテゴリーアーカイブ

OmniChat: Enhancing Spoken Dialogue Systems with Scalable Synthetic Data for Diverse Scenarios

投稿日: 2025年1月5日 作成者: jarxiv

要約 大規模な言語モデルの急速な発展により、研究者は人間と自然に会話できる高度な … 続きを読む →

カテゴリー: cs.CL, cs.HC, cs.SD, eess.AS | OmniChat: Enhancing Spoken Dialogue Systems with Scalable Synthetic Data for Diverse Scenarios はコメントを受け付けていません

Audio Array-Based 3D UAV Trajectory Estimation with LiDAR Pseudo-Labeling

投稿日: 2025年1月3日 作成者: jarxiv

要約 小型無人航空機 (UAV) の普及が進むにつれ、公共の安全とプライバシーへ … 続きを読む →

カテゴリー: cs.RO, cs.SD, eess.AS | Audio Array-Based 3D UAV Trajectory Estimation with LiDAR Pseudo-Labeling はコメントを受け付けていません

RiTTA: Modeling Event Relations in Text-to-Audio Generation

投稿日: 2025年1月3日 作成者: jarxiv

要約 Text-to-Audio (TTA) 生成モデルは大幅に進歩し、詳細なコ … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | RiTTA: Modeling Event Relations in Text-to-Audio Generation はコメントを受け付けていません

Towards Expressive Video Dubbing with Multiscale Multimodal Context Interaction

投稿日: 2025年1月3日 作成者: jarxiv

要約 自動ビデオ ダビング (AVD) は、スクリプトから唇の動きと顔の感情に合 … 続きを読む →

カテゴリー: cs.CL, cs.MM, cs.SD, eess.AS | Towards Expressive Video Dubbing with Multiscale Multimodal Context Interaction はコメントを受け付けていません

Text2midi: Generating Symbolic Music from Captions

投稿日: 2025年1月3日 作成者: jarxiv

要約 この文書では、テキスト記述から MIDI ファイルを生成するエンドツーエン … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Text2midi: Generating Symbolic Music from Captions はコメントを受け付けていません

Can Large Audio-Language Models Truly Hear? Tackling Hallucinations with Multi-Task Assessment and Stepwise Audio Reasoning

投稿日: 2025年1月3日 作成者: jarxiv

要約 大規模音声言語モデル (LALM) の最近の進歩により、音声および音声情報 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Can Large Audio-Language Models Truly Hear? Tackling Hallucinations with Multi-Task Assessment and Stepwise Audio Reasoning はコメントを受け付けていません

An investigation of phrase break prediction in an End-to-End TTS system

投稿日: 2025年1月3日 作成者: jarxiv

要約 目的: この研究では、エンドツーエンドの Text-to-Speech ( … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | An investigation of phrase break prediction in an End-to-End TTS system はコメントを受け付けていません

Mamba-SEUNet: Mamba UNet for Monaural Speech Enhancement

投稿日: 2025年1月3日 作成者: jarxiv

要約 最近の音声強調 (SE) 研究では、トランスフォーマーとその変種が主要な方 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Mamba-SEUNet: Mamba UNet for Monaural Speech Enhancement はコメントを受け付けていません

Stable-V2A: Synthesis of Synchronized Sound Effects with Temporal and Semantic Controls

投稿日: 2025年1月3日 作成者: jarxiv

要約 サウンド デザイナーやフォーリー アーティストは通常​​、ビデオ内の関心の … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | Stable-V2A: Synthesis of Synchronized Sound Effects with Temporal and Semantic Controls はコメントを受け付けていません

Improving Generalization for AI-Synthesized Voice Detection

投稿日: 2024年12月31日 作成者: jarxiv

要約 AI 合成音声テクノロジーは、有益な用途のためにリアルな人間の声を作成でき … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Improving Generalization for AI-Synthesized Voice Detection はコメントを受け付けていません