「cs.SD」カテゴリーアーカイブ

Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis

投稿日: 2025年2月7日 作成者: jarxiv

要約 特にGPTシリーズとO1モデルで、テキストベースの大手言語モデル（LLMS … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.MM, cs.SD, eess.AS | Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis はコメントを受け付けていません

XAttnMark: Learning Robust Audio Watermarking with Cross-Attention

投稿日: 2025年2月7日 作成者: jarxiv

要約 生成オーディオ合成と編集技術の急速な増殖は、著作権侵害、データの起源、およ … 続きを読む →

カテゴリー: cs.AI, cs.CR, cs.LG, cs.SD, eess.AS | XAttnMark: Learning Robust Audio Watermarking with Cross-Attention はコメントを受け付けていません

Ola: Pushing the Frontiers of Omni-Modal Language Model with Progressive Modality Alignment

投稿日: 2025年2月7日 作成者: jarxiv

要約 特にGPT-4Oに続く大規模な言語モデルの最近の進歩により、より多くのモダ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM, cs.SD, eess.AS, eess.IV | Ola: Pushing the Frontiers of Omni-Modal Language Model with Progressive Modality Alignment はコメントを受け付けていません

Prepending or Cross-Attention for Speech-to-Text? An Empirical Comparison

投稿日: 2025年2月6日 作成者: jarxiv

要約 NLPタスクでの大規模な言語モデル（LLMS）の顕著な成功に続いて、最も一 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Prepending or Cross-Attention for Speech-to-Text? An Empirical Comparison はコメントを受け付けていません

High-Fidelity Simultaneous Speech-To-Speech Translation

投稿日: 2025年2月6日 作成者: jarxiv

要約 同時音声翻訳のためのデコーダーのみのモデルであるHibikiを紹介します。 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | High-Fidelity Simultaneous Speech-To-Speech Translation はコメントを受け付けていません

Sound Judgment: Properties of Consequential Sounds Affecting Human-Perception of Robots

投稿日: 2025年2月5日 作成者: jarxiv

要約 ロボットを共有環境で持続的に使用するためには、ロボットに対する人間の肯定的 … 続きを読む →

カテゴリー: cs.HC, cs.RO, cs.SD, eess.AS | Sound Judgment: Properties of Consequential Sounds Affecting Human-Perception of Robots はコメントを受け付けていません

Potential Applications of Artificial Intelligence for Cross-language Intelligibility Assessment of Dysarthric Speech

投稿日: 2025年2月5日 作成者: jarxiv

要約 目的：本解説では、構音障害音声の言語横断的な明瞭度評価を進めるために、人工 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Potential Applications of Artificial Intelligence for Cross-language Intelligibility Assessment of Dysarthric Speech はコメントを受け付けていません

StyleSinger: Style Transfer for Out-of-Domain Singing Voice Synthesis

投稿日: 2025年2月5日 作成者: jarxiv

要約 アウトオブドメイン(OOD)歌声合成(SVS)のためのスタイルトランスファ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | StyleSinger: Style Transfer for Out-of-Domain Singing Voice Synthesis はコメントを受け付けていません

TCSinger: Zero-Shot Singing Voice Synthesis with Style Transfer and Multi-Level Style Control

投稿日: 2025年2月5日 作成者: jarxiv

要約 スタイル転送とスタイル制御を伴うゼロショット歌声合成（SVS）は、音声とテ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | TCSinger: Zero-Shot Singing Voice Synthesis with Style Transfer and Multi-Level Style Control はコメントを受け付けていません

GTSinger: A Global Multi-Technique Singing Corpus with Realistic Music Scores for All Singing Tasks

投稿日: 2025年2月5日 作成者: jarxiv

要約 高品質でマルチタスクな歌唱データセットの不足は、多様な制御可能でパーソナラ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | GTSinger: A Global Multi-Technique Singing Corpus with Realistic Music Scores for All Singing Tasks はコメントを受け付けていません