「cs.SD」カテゴリーアーカイブ

MERT: Acoustic Music Understanding Model with Large-Scale Self-supervised Training

投稿日: 2024年12月30日 作成者: jarxiv

要約 自己教師あり学習 (SSL) は、視覚、テキスト、および音声の分野の大規模 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | MERT: Acoustic Music Understanding Model with Large-Scale Self-supervised Training 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: 2024年12月25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

Long-Form Speech Generation with Spoken Language Models

投稿日: 2024年12月25日 作成者: jarxiv

要約 私たちは、長文マルチメディア生成とオーディオネイティブ音声アシスタントの要 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Long-Form Speech Generation with Spoken Language Models はコメントを受け付けていません

How ‘Real’ is Your Real-Time Simultaneous Speech-to-Text Translation System?

投稿日: 2024年12月25日 作成者: jarxiv

要約 音声テキスト同時翻訳 (SimulST) は、話者の発話と同時にソース言語 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | How ‘Real’ is Your Real-Time Simultaneous Speech-to-Text Translation System? はコメントを受け付けていません

Joint Fine-tuning and Conversion of Pretrained Speech and Language Models towards Linear Complexity

投稿日: 2024年12月24日 作成者: jarxiv

要約 最近、Linformer や Mamba などのアーキテクチャが、トランス … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | Joint Fine-tuning and Conversion of Pretrained Speech and Language Models towards Linear Complexity はコメントを受け付けていません

Ditto: Motion-Space Diffusion for Controllable Realtime Talking Head Synthesis

投稿日: 2024年12月24日 作成者: jarxiv

要約 拡散モデルの最近の進歩により、オーディオ駆動のトーキング ヘッド合成に革命 … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.SD, eess.AS | Ditto: Motion-Space Diffusion for Controllable Realtime Talking Head Synthesis 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: 2024年12月23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

Data-Centric Improvements for Enhancing Multi-Modal Understanding in Spoken Conversation Modeling

投稿日: 2024年12月23日 作成者: jarxiv

要約 会話アシスタントは、現実世界のさまざまなアプリケーションでますます普及して … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Data-Centric Improvements for Enhancing Multi-Modal Understanding in Spoken Conversation Modeling はコメントを受け付けていません

ProsodyFM: Unsupervised Phrasing and Intonation Control for Intelligible Speech Synthesis

投稿日: 2024年12月20日 作成者: jarxiv

要約 韻律には、単語の文字通りの意味を超えた豊富な情報が含まれており、音声の明瞭 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | ProsodyFM: Unsupervised Phrasing and Intonation Control for Intelligible Speech Synthesis 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: 2024年12月20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