「cs.SD」カテゴリーアーカイブ

Convert and Speak: Zero-shot Accent Conversion with Minimum Supervision

投稿日: 2024年8月20日 作成者: jarxiv

要約 並列データのリソースが少ないことは、発音単位と韻律パターンの両方を変換する … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Convert and Speak: Zero-shot Accent Conversion with Minimum Supervision はコメントを受け付けていません

Enhancing Partially Spoofed Audio Localization with Boundary-aware Attention Mechanism

投稿日: 2024年8月20日 作成者: jarxiv

要約 部分的にスプーフィングされたオーディオ位置特定のタスクは、フレーム レベル … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Enhancing Partially Spoofed Audio Localization with Boundary-aware Attention Mechanism はコメントを受け付けていません

Advancing Voice Cloning for Nepali: Leveraging Transfer Learning in a Low-Resource Language

投稿日: 2024年8月20日 作成者: jarxiv

要約 音声クローン作成は、パーソナライズされた音声インターフェイスの顕著な機能で … 続きを読む →

カテゴリー: 91F20, cs.AI, cs.LG, cs.SD, eess.AS, I.2.7 | Advancing Voice Cloning for Nepali: Leveraging Transfer Learning in a Low-Resource Language はコメントを受け付けていません

MAT-SED: A Masked Audio Transformer with Masked-Reconstruction Based Pre-training for Sound Event Detection

投稿日: 2024年8月20日 作成者: jarxiv

要約 大規模な事前トレーニング済み Transformer エンコーダ ネットワ … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | MAT-SED: A Masked Audio Transformer with Masked-Reconstruction Based Pre-training for Sound Event Detection はコメントを受け付けていません

What Do Language Models Hear? Probing for Auditory Representations in Language Models

投稿日: 2024年8月19日 作成者: jarxiv

要約 この研究では、言語モデルが物体の音の意味のある根拠に基づいた表現をエンコー … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | What Do Language Models Hear? Probing for Auditory Representations in Language Models はコメントを受け付けていません

ConcateNet: Dialogue Separation Using Local And Global Feature Concatenation

投稿日: 2024年8月19日 作成者: jarxiv

要約 対話の分離には、映画やテレビ番組などの混合物から対話信号を分離することが含 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | ConcateNet: Dialogue Separation Using Local And Global Feature Concatenation はコメントを受け付けていません

MAT-SED: AMasked Audio Transformer with Masked-Reconstruction Based Pre-training for Sound Event Detection

投稿日: 2024年8月19日 作成者: jarxiv

要約 大規模な事前トレーニング済み Transformer エンコーダ ネットワ … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | MAT-SED: AMasked Audio Transformer with Masked-Reconstruction Based Pre-training for Sound Event Detection はコメントを受け付けていません

ASVspoof 5: Crowdsourced Speech Data, Deepfakes, and Adversarial Attacks at Scale

投稿日: 2024年8月19日 作成者: jarxiv

要約 ASVspoof 5 は、音声スプーフィングとディープフェイク攻撃の研究、 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | ASVspoof 5: Crowdsourced Speech Data, Deepfakes, and Adversarial Attacks at Scale はコメントを受け付けていません

Multimodal Emotion Recognition using Audio-Video Transformer Fusion with Cross Attention

投稿日: 2024年8月16日 作成者: jarxiv

要約 感情を理解することは、人間のコミュニケーションの基本的な側面です。 オーデ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM, cs.SD, eess.AS, F.2.2 | Multimodal Emotion Recognition using Audio-Video Transformer Fusion with Cross Attention はコメントを受け付けていません

Enhancing Large Language Model-based Speech Recognition by Contextualization for Rare and Ambiguous Words

投稿日: 2024年8月16日 作成者: jarxiv

要約 私たちは、テキスト プロンプトで事前情報としてキーワードを提供することで文 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Enhancing Large Language Model-based Speech Recognition by Contextualization for Rare and Ambiguous Words はコメントを受け付けていません