「cs.SD」カテゴリーアーカイブ

WaveletGPT: Wavelets Meet Large Language Models

投稿日: 2024年12月6日 作成者: jarxiv

要約 大規模言語モデル (LLM) は、あらゆる科学分野と専門分野に影響を与える … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS, eess.SP | WaveletGPT: Wavelets Meet Large Language Models はコメントを受け付けていません

Dialectal Coverage And Generalization in Arabic Speech Recognition

投稿日: 2024年12月5日 作成者: jarxiv

要約 豊かな方言多様性を特徴とし、音声技術においてリソースが少ない言語とみなされ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Dialectal Coverage And Generalization in Arabic Speech Recognition はコメントを受け付けていません

DiffStyleTTS: Diffusion-based Hierarchical Prosody Modeling for Text-to-Speech with Diverse and Controllable Styles

投稿日: 2024年12月5日 作成者: jarxiv

要約 人間の音声は豊かで柔軟な韻律のバリエーションを示します。 合理的かつ柔軟な … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | DiffStyleTTS: Diffusion-based Hierarchical Prosody Modeling for Text-to-Speech with Diverse and Controllable Styles はコメントを受け付けていません

SINGER: Vivid Audio-driven Singing Video Generation with Multi-scale Spectral Diffusion Model

投稿日: 2024年12月5日 作成者: jarxiv

要約 生成モデルの最近の進歩により、話し顔ビデオの生成は大幅に強化されましたが、 … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.SD | SINGER: Vivid Audio-driven Singing Video Generation with Multi-scale Spectral Diffusion Model はコメントを受け付けていません

GLM-4-Voice: Towards Intelligent and Human-Like End-to-End Spoken Chatbot

投稿日: 2024年12月4日 作成者: jarxiv

要約 GLM-4-Voiceを紹介します。GLM-4-Voiceは、インテリジェ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | GLM-4-Voice: Towards Intelligent and Human-Like End-to-End Spoken Chatbot はコメントを受け付けていません

AV-Odyssey Bench: Can Your Multimodal LLMs Really Understand Audio-Visual Information?

投稿日: 2024年12月4日 作成者: jarxiv

要約 近年、GPT-4o、Gemini 1.5 Pro、Reka Coreなどの … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM, cs.SD, eess.AS | AV-Odyssey Bench: Can Your Multimodal LLMs Really Understand Audio-Visual Information? はコメントを受け付けていません

TTSDS — Text-to-Speech Distribution Score

投稿日: 2024年12月3日 作成者: jarxiv

要約 最近公開された Text-to-Speech (TTS) システムの多くは … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | TTSDS — Text-to-Speech Distribution Score はコメントを受け付けていません

Scaling Speech-Text Pre-training with Synthetic Interleaved Data

投稿日: 2024年12月3日 作成者: jarxiv

要約 音声言語モデル (SpeechLM) は、音声入力を受け入れて音声出力を生 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Scaling Speech-Text Pre-training with Synthetic Interleaved Data はコメントを受け付けていません

End-to-End Supervised Hierarchical Graph Clustering for Speaker Diarization

投稿日: 2024年12月3日 作成者: jarxiv

要約 話者ダイアライゼーションは、話者のアイデンティティに基づいてオーディオ録音 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | End-to-End Supervised Hierarchical Graph Clustering for Speaker Diarization はコメントを受け付けていません

Unsupervised Speaker Diarization in Distributed IoT Networks Using Federated Learning

投稿日: 2024年12月2日 作成者: jarxiv

要約 このペーパーでは、ネットワーク化された IoT スタイルのオーディオ デバ … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Unsupervised Speaker Diarization in Distributed IoT Networks Using Federated Learning はコメントを受け付けていません