「cs.SD」カテゴリーアーカイブ

A vector quantized masked autoencoder for audiovisual speech emotion recognition

投稿日: 2024年5月16日 作成者: jarxiv

要約 ラベル付きデータの利用可能性が限られていることが、視聴覚音声感情認識 (S … 続きを読む →

カテゴリー: cs.LG, cs.MM, cs.SD, eess.AS | A vector quantized masked autoencoder for audiovisual speech emotion recognition はコメントを受け付けていません

Towards Evaluating the Robustness of Automatic Speech Recognition Systems via Audio Style Transfer

投稿日: 2024年5月16日 作成者: jarxiv

要約 自動音声認識 (ASR) システムの広範な適用を考慮すると、主にディープ … 続きを読む →

カテゴリー: cs.CR, cs.LG, cs.SD, eess.AS | Towards Evaluating the Robustness of Automatic Speech Recognition Systems via Audio Style Transfer はコメントを受け付けていません

Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children VS. Adults

投稿日: 2024年5月16日 作成者: jarxiv

要約 Whisper に代表される自動音声認識 (ASR) システムの最近の進歩 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children VS. Adults はコメントを受け付けていません

Perception-Inspired Graph Convolution for Music Understanding Tasks

投稿日: 2024年5月16日 作成者: jarxiv

要約 我々は、MusGConv と呼ばれる新しいグラフ畳み込みブロックを提案しま … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Perception-Inspired Graph Convolution for Music Understanding Tasks はコメントを受け付けていません

The Codecfake Dataset and Countermeasures for the Universally Detection of Deepfake Audio

投稿日: 2024年5月16日 作成者: jarxiv

要約 Audio Language Model (ALM) ベースのディープフェ … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | The Codecfake Dataset and Countermeasures for the Universally Detection of Deepfake Audio はコメントを受け付けていません

MusicMagus: Zero-Shot Text-to-Music Editing via Diffusion Models

投稿日: 2024年5月16日 作成者: jarxiv

要約 テキストから音楽への生成モデルの最近の進歩により、音楽の創造性に新たな道が … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | MusicMagus: Zero-Shot Text-to-Music Editing via Diffusion Models はコメントを受け付けていません

Dance Any Beat: Blending Beats with Visuals in Dance Video Generation

投稿日: 2024年5月16日 作成者: jarxiv

要約 音楽からダンスを生成するというタスクは重要ですが、主に関節シーケンスを生成 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM, cs.SD, eess.AS | Dance Any Beat: Blending Beats with Visuals in Dance Video Generation はコメントを受け付けていません

SpeechVerse: A Large-scale Generalizable Audio Language Model

投稿日: 2024年5月15日 作成者: jarxiv

要約 大規模言語モデル (LLM) は、自然言語命令の意味的理解を必要とするタス … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | SpeechVerse: A Large-scale Generalizable Audio Language Model はコメントを受け付けていません

SpeechGuard: Exploring the Adversarial Robustness of Multimodal Large Language Models

投稿日: 2024年5月15日 作成者: jarxiv

要約 音声指示に従い、関連するテキスト応答を生成できる統合音声モデルおよび大規模 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | SpeechGuard: Exploring the Adversarial Robustness of Multimodal Large Language Models はコメントを受け付けていません

Investigating Design Choices in Joint-Embedding Predictive Architectures for General Audio Representation Learning

投稿日: 2024年5月15日 作成者: jarxiv

要約 この論文は、自己教師ありの汎用音声表現学習の問題に取り組みます。 このタス … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Investigating Design Choices in Joint-Embedding Predictive Architectures for General Audio Representation Learning はコメントを受け付けていません