「cs.SD」カテゴリーアーカイブ

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

投稿日: 2025年3月14日 作成者: jarxiv

要約 LinformerやMambaなどのアーキテクチャは、最近、変圧器の競合的 … 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

AudioX: Diffusion Transformer for Anything-to-Audio Generation

投稿日: 2025年3月14日 作成者: jarxiv

要約 オーディオと音楽の生成は、多くのアプリケーションで重要なタスクとして浮上し … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | AudioX: Diffusion Transformer for Anything-to-Audio Generation はコメントを受け付けていません

Quality Over Quantity? LLM-Based Curation for a Data-Efficient Audio-Video Foundation Model

投稿日: 2025年3月13日 作成者: jarxiv

要約 マルチモーダルの基礎モデルをトレーニングするためのオーディオとビジュアルデ … 続きを読む →

カテゴリー: 68T, 68T10, 68T45, cs.CL, cs.IR, cs.MM, cs.SD, eess.AS | Quality Over Quantity? LLM-Based Curation for a Data-Efficient Audio-Video Foundation Model はコメントを受け付けていません

ESPnet-SDS: Unified Toolkit and Demo for Spoken Dialogue Systems

投稿日: 2025年3月12日 作成者: jarxiv

要約 Audio Foundation Models（FMS）の進歩は、エンドツ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | ESPnet-SDS: Unified Toolkit and Demo for Spoken Dialogue Systems はコメントを受け付けていません

Mellow: a small audio language model for reasoning

投稿日: 2025年3月12日 作成者: jarxiv

要約 マルチモーダルオーディオ言語モデル（ALMS）は、オーディオとテキストの両 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Mellow: a small audio language model for reasoning はコメントを受け付けていません

YuE: Scaling Open Foundation Models for Long-Form Music Generation

投稿日: 2025年3月12日 作成者: jarxiv

要約 LLAMA2アーキテクチャに基づいたオープンファンデーションモデルのファミ … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | YuE: Scaling Open Foundation Models for Long-Form Music Generation はコメントを受け付けていません

Video-to-Audio Generation with Hidden Alignment

投稿日: 2025年3月12日 作成者: jarxiv

要約 ビデオ入力に従って意味的および一時的に整列したオーディオコンテンツを生成す … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Video-to-Audio Generation with Hidden Alignment はコメントを受け付けていません

Score-informed Music Source Separation: Improving Synthetic-to-real Generalization in Classical Music

投稿日: 2025年3月11日 作成者: jarxiv

要約 音楽ソースの分離は、楽器の混合物を構成トラックに分離するタスクです。 音楽 … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Score-informed Music Source Separation: Improving Synthetic-to-real Generalization in Classical Music はコメントを受け付けていません

Self-Supervised Models for Phoneme Recognition: Applications in Children’s Speech for Reading Learning

投稿日: 2025年3月7日 作成者: jarxiv

要約 子どもの音声認識は、データの不足（特に英語以外の言語）とこのタスクの具体的 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Self-Supervised Models for Phoneme Recognition: Applications in Children’s Speech for Reading Learning はコメントを受け付けていません

Scaling Rich Style-Prompted Text-to-Speech Datasets

投稿日: 2025年3月7日 作成者: jarxiv

要約 豊かなスタイルのキャプションでスピーチの発話を注釈する大規模なデータセット … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | Scaling Rich Style-Prompted Text-to-Speech Datasets はコメントを受け付けていません