「cs.SD」カテゴリーアーカイブ

LAST: Language Model Aware Speech Tokenization

投稿日: 2024年9月11日 作成者: jarxiv

要約 音声トークン化は音声言語モデル (LM) の基礎として機能し、音声言語モデ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | LAST: Language Model Aware Speech Tokenization はコメントを受け付けていません

Sortformer: Seamless Integration of Speaker Diarization and ASR by Bridging Timestamps and Tokens

投稿日: 2024年9月11日 作成者: jarxiv

要約 私たちは、既存のエンドツーエンドのダイアライゼーション モデルと比較して型 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Sortformer: Seamless Integration of Speaker Diarization and ASR by Bridging Timestamps and Tokens はコメントを受け付けていません

An Effective Context-Balanced Adaptation Approach for Long-Tailed Speech Recognition

投稿日: 2024年9月11日 作成者: jarxiv

要約 エンドツーエンド (E2E) 自動音声認識 (ASR) モデルは、さまざま … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | An Effective Context-Balanced Adaptation Approach for Long-Tailed Speech Recognition はコメントを受け付けていません

MuPT: A Generative Symbolic Music Pretrained Transformer

投稿日: 2024年9月11日 作成者: jarxiv

要約 この論文では、音楽の事前トレーニングへの大規模言語モデル (LLM) の適 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | MuPT: A Generative Symbolic Music Pretrained Transformer はコメントを受け付けていません

Sine, Transient, Noise Neural Modeling of Piano Notes

投稿日: 2024年9月11日 作成者: jarxiv

要約 この論文では、ピアノサウンドをエミュレートするための新しい方法を紹介します … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Sine, Transient, Noise Neural Modeling of Piano Notes はコメントを受け付けていません

SPMamba: State-space model is all you need in speech separation

投稿日: 2024年9月11日 作成者: jarxiv

要約 既存の CNN ベースの音声分離モデルは、局所的な受容野の制限に直面してお … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | SPMamba: State-space model is all you need in speech separation はコメントを受け付けていません

MoWE-Audio: Multitask AudioLLMs with Mixture of Weak Encoders

投稿日: 2024年9月11日 作成者: jarxiv

要約 大規模言語モデル (LLM) の急速な進歩により、自然言語処理機能が大幅に … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | MoWE-Audio: Multitask AudioLLMs with Mixture of Weak Encoders はコメントを受け付けていません

LLaMA-Omni: Seamless Speech Interaction with Large Language Models

投稿日: 2024年9月11日 作成者: jarxiv

要約 GPT-4o のようなモデルは、音声による大規模言語モデル (LLM) と … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS, I.2.7 | LLaMA-Omni: Seamless Speech Interaction with Large Language Models はコメントを受け付けていません

Benchmarking Sub-Genre Classification For Mainstage Dance Music

投稿日: 2024年9月11日 作成者: jarxiv

要約 音楽の分類は、幅広い用途に対応しており、音楽情報の検索において最も重要なタ … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, I.2.1 | Benchmarking Sub-Genre Classification For Mainstage Dance Music はコメントを受け付けていません

IndicVoices-R: Unlocking a Massive Multilingual Multi-speaker Speech Corpus for Scaling Indian TTS

投稿日: 2024年9月10日 作成者: jarxiv

要約 Text-to-Speech (TTS) 合成の最近の進歩により、広範な … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.SP | IndicVoices-R: Unlocking a Massive Multilingual Multi-speaker Speech Corpus for Scaling Indian TTS はコメントを受け付けていません