「cs.SD」カテゴリーアーカイブ

BAST: Binaural Audio Spectrogram Transformer for Binaural Sound Localization

投稿日: 2024年8月8日 作成者: jarxiv

要約 残響環境における正確な音の定位は、人間の聴覚にとって不可欠です。 最近、畳 … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS, I.2 | BAST: Binaural Audio Spectrogram Transformer for Binaural Sound Localization はコメントを受け付けていません

Speech-MASSIVE: A Multilingual Speech Dataset for SLU and Beyond

投稿日: 2024年8月8日 作成者: jarxiv

要約 我々は、MASSIVE テキスト コーパスの一部の音声対応物を構成する多言 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Speech-MASSIVE: A Multilingual Speech Dataset for SLU and Beyond はコメントを受け付けていません

MMTrail: A Multimodal Trailer Video Dataset with Language and Music Descriptions

投稿日: 2024年8月7日 作成者: jarxiv

要約 大規模なマルチモダリティ データセットは、大規模なビデオ言語モデルの成功を … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | MMTrail: A Multimodal Trailer Video Dataset with Language and Music Descriptions はコメントを受け付けていません

Stem-JEPA: A Joint-Embedding Predictive Architecture for Musical Stem Compatibility Estimation

投稿日: 2024年8月6日 作成者: jarxiv

要約 この論文では、特定の音楽コンテキストとよく調和する単一の楽器の音声録音を特 … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Stem-JEPA: A Joint-Embedding Predictive Architecture for Musical Stem Compatibility Estimation はコメントを受け付けていません

An approach to optimize inference of the DIART speaker diarization pipeline

投稿日: 2024年8月6日 作成者: jarxiv

要約 話者ダイアライゼーションは、音声ファイルについて「誰がいつ話したか」という … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | An approach to optimize inference of the DIART speaker diarization pipeline はコメントを受け付けていません

Clustering and Mining Accented Speech for Inclusive and Fair Speech Recognition

投稿日: 2024年8月6日 作成者: jarxiv

要約 最新の自動音声認識 (ASR) システムは通常、数万時間以上の音声データに … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Clustering and Mining Accented Speech for Inclusive and Fair Speech Recognition はコメントを受け付けていません

Language Model Can Listen While Speaking

投稿日: 2024年8月6日 作成者: jarxiv

要約 対話は、人間とコンピューターの対話 (HCI) の最も自然な方法として機能 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.HC, cs.SD, eess.AS | Language Model Can Listen While Speaking はコメントを受け付けていません

MuChoMusic: Evaluating Music Understanding in Multimodal Audio-Language Models

投稿日: 2024年8月5日 作成者: jarxiv

要約 音声と言語を共同で処理するマルチモーダルモデルは、音声理解において大きな可 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.MM, cs.SD, eess.AS | MuChoMusic: Evaluating Music Understanding in Multimodal Audio-Language Models はコメントを受け付けていません

Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework

投稿日: 2024年8月5日 作成者: jarxiv

要約 一般化ゼロショット学習(GZSL)は、見たクラスと見たことのないクラスの両 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS, eess.IV | Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework はコメントを受け付けていません

DiM-Gesture: Co-Speech Gesture Generation with Adaptive Layer Normalization Mamba-2 framework

投稿日: 2024年8月4日 作成者: jarxiv

要約 音声駆動型ジェスチャ生成は、バーチャルヒューマン創作における新たな領域であ … 続きを読む →

カテゴリー: cs.AI, cs.GR, cs.RO, cs.SD | DiM-Gesture: Co-Speech Gesture Generation with Adaptive Layer Normalization Mamba-2 framework はコメントを受け付けていません