「cs.SD」カテゴリーアーカイブ

BESTOW: Efficient and Streamable Speech Language Model with the Best of Two Worlds in GPT and T5

投稿日: 2024年7月1日 作成者: jarxiv

要約 音声理解機能を事前トレーニングされた大規模言語モデルに組み込むことは、研究 … 続きを読む →

カテゴリー: 68T10, cs.CL, cs.HC, cs.SD, eess.AS, I.2.7 | BESTOW: Efficient and Streamable Speech Language Model with the Best of Two Worlds in GPT and T5 はコメントを受け付けていません

Subtractive Training for Music Stem Insertion using Latent Diffusion Models

投稿日: 2024年6月28日 作成者: jarxiv

要約 私たちは、他の楽器をコンテキストとして与えられた個々の楽器のステムを合成す … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Subtractive Training for Music Stem Insertion using Latent Diffusion Models はコメントを受け付けていません

Daisy-TTS: Simulating Wider Spectrum of Emotions via Prosody Embedding Decomposition

投稿日: 2024年6月28日 作成者: jarxiv

要約 私たちは感情を多面的に言葉で表現することがよくありますが、感情の強さはさま … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Daisy-TTS: Simulating Wider Spectrum of Emotions via Prosody Embedding Decomposition はコメントを受け付けていません

MuTox: Universal MUltilingual Audio-based TOXicity Dataset and Zero-shot Detector

投稿日: 2024年6月28日 作成者: jarxiv

要約 音声モダリティ（音声ベース）の自然言語処理における毒性検出の研究は、特に英 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS, I.2.7 | MuTox: Universal MUltilingual Audio-based TOXicity Dataset and Zero-shot Detector はコメントを受け付けていません

Application of ASV for Voice Identification after VC and Duration Predictor Improvement in TTS Models

投稿日: 2024年6月28日 作成者: jarxiv

要約 生体認証セキュリティの分野で最も重要なコンポーネントの 1 つは、話者の音 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Application of ASV for Voice Identification after VC and Duration Predictor Improvement in TTS Models はコメントを受け付けていません

Taming Data and Transformers for Audio Generation

投稿日: 2024年6月28日 作成者: jarxiv

要約 環境音や環境効果の生成は、データ不足とキャプションの品質が不十分なことが多 … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM, cs.SD, eess.AS | Taming Data and Transformers for Audio Generation はコメントを受け付けていません

SonicSense: Object Perception from In-Hand Acoustic Vibration

投稿日: 2024年6月27日 作成者: jarxiv

要約 SonicSense は、ハードウェアとソフトウェアの総合的な設計であり、 … 続きを読む →

カテゴリー: cs.MM, cs.RO, cs.SD, eess.AS | SonicSense: Object Perception from In-Hand Acoustic Vibration はコメントを受け付けていません

DiarizationLM: Speaker Diarization Post-Processing with Large Language Models

投稿日: 2024年6月27日 作成者: jarxiv

要約 このペーパーでは、大規模言語モデル (LLM) を利用して話者ダイアライゼ … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | DiarizationLM: Speaker Diarization Post-Processing with Large Language Models はコメントを受け付けていません

MSR-86K: An Evolving, Multilingual Corpus with 86,300 Hours of Transcribed Audio for Speech Recognition Research

投稿日: 2024年6月27日 作成者: jarxiv

要約 最近では、ChatGPT に代表される多言語人工知能アシスタントが非常に人 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | MSR-86K: An Evolving, Multilingual Corpus with 86,300 Hours of Transcribed Audio for Speech Recognition Research はコメントを受け付けていません

Advancing Airport Tower Command Recognition: Integrating Squeeze-and-Excitation and Broadcasted Residual Learning

投稿日: 2024年6月27日 作成者: jarxiv

要約 パイロットは航空交通管制の指示に正確に従わなければならないため、航空コマン … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Advancing Airport Tower Command Recognition: Integrating Squeeze-and-Excitation and Broadcasted Residual Learning はコメントを受け付けていません