-
最近の投稿
- FEAST: A Flexible Mealtime-Assistance System Towards In-the-Wild Personalization
- Time-Optimized Safe Navigation in Unstructured Environments through Learning Based Depth Completion
- Advances in Compliance Detection: Novel Models Using Vision-Based Tactile Sensors
- Mass-Adaptive Admittance Control for Robotic Manipulators
- DreamGen: Unlocking Generalization in Robot Learning through Video World Models
-
最近のコメント
表示できるコメントはありません。 cs.AI (39879) cs.CL (30187) cs.CV (45175) cs.HC (3051) cs.LG (44808) cs.RO (23879) cs.SY (3632) eess.IV (5170) eess.SY (3624) stat.ML (5830)
「cs.SD」カテゴリーアーカイブ
Dialectal Coverage And Generalization in Arabic Speech Recognition
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
DiffStyleTTS: Diffusion-based Hierarchical Prosody Modeling for Text-to-Speech with Diverse and Controllable Styles
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
SINGER: Vivid Audio-driven Singing Video Generation with Multi-scale Spectral Diffusion Model
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
GLM-4-Voice: Towards Intelligent and Human-Like End-to-End Spoken Chatbot
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
AV-Odyssey Bench: Can Your Multimodal LLMs Really Understand Audio-Visual Information?
要約 近年、GPT-4o、Gemini 1.5 Pro、Reka Coreなどの … 続きを読む
TTSDS — Text-to-Speech Distribution Score
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
Scaling Speech-Text Pre-training with Synthetic Interleaved Data
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
End-to-End Supervised Hierarchical Graph Clustering for Speaker Diarization
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
Unsupervised Speaker Diarization in Distributed IoT Networks Using Federated Learning
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
Noro: A Noise-Robust One-shot Voice Conversion System with Hidden Speaker Representation Capabilities
要約 ワンショット音声変換 (VC) は、元のソース音声の意味内容を保持しながら … 続きを読む