「cs.SD」カテゴリーアーカイブ

Building a Taiwanese Mandarin Spoken Language Model: A First Attempt

投稿日: 2024年11月12日 作成者: jarxiv

要約 この技術レポートでは、台湾華語の音声大規模言語モデル (LLM) を構築す … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Building a Taiwanese Mandarin Spoken Language Model: A First Attempt はコメントを受け付けていません

NatureLM-audio: an Audio-Language Foundation Model for Bioacoustics

投稿日: 2024年11月12日 作成者: jarxiv

要約 テキストと音声で促される大規模言語モデル (LLM) は、スピーチ、音楽、 … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | NatureLM-audio: an Audio-Language Foundation Model for Bioacoustics はコメントを受け付けていません

Tell What You Hear From What You See — Video to Audio Generation Through Text

投稿日: 2024年11月11日 作成者: jarxiv

要約 ビジュアル シーンとオーディオ シーンのコンテンツは多面的であり、ビデオと … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.SD, eess.AS | Tell What You Hear From What You See — Video to Audio Generation Through Text はコメントを受け付けていません

Multistage Fine-tuning Strategies for Automatic Speech Recognition in Low-resource Languages

投稿日: 2024年11月8日 作成者: jarxiv

要約 この論文では、OpenAI の Whisper モデルを使用して、低リソー … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Multistage Fine-tuning Strategies for Automatic Speech Recognition in Low-resource Languages はコメントを受け付けていません

Pre-Finetuning for Few-Shot Emotional Speech Recognition

投稿日: 2024年11月8日 作成者: jarxiv

要約 音声モデルは、多くの分類タスクに対して個々の話者を過剰適合させることが長い … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Pre-Finetuning for Few-Shot Emotional Speech Recognition はコメントを受け付けていません

Towards Open Respiratory Acoustic Foundation Models: Pretraining and Benchmarking

投稿日: 2024年11月8日 作成者: jarxiv

要約 咳や呼吸音などの呼吸音には、幅広い医療用途を予測する力がありますが、現時点 … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Towards Open Respiratory Acoustic Foundation Models: Pretraining and Benchmarking はコメントを受け付けていません

Beyond Single-Audio: Advancing Multi-Audio Processing in Audio Large Language Models

投稿日: 2024年11月7日 作成者: jarxiv

要約 最近、単一の統合モデルを使用してさまざまなオーディオ タスクに同時に取り組 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.MM, cs.SD, eess.AS | Beyond Single-Audio: Advancing Multi-Audio Processing in Audio Large Language Models はコメントを受け付けていません

Performance evaluation of SLAM-ASR: The Good, the Bad, the Ugly, and the Way Forward

投稿日: 2024年11月7日 作成者: jarxiv

要約 最近の研究では、音声基盤エンコーダと大規模言語モデル (LLM) の間の線 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Performance evaluation of SLAM-ASR: The Good, the Bad, the Ugly, and the Way Forward はコメントを受け付けていません

Speaker Emotion Recognition: Leveraging Self-Supervised Models for Feature Extraction Using Wav2Vec2 and HuBERT

投稿日: 2024年11月7日 作成者: jarxiv

要約 スピーチは、人間として自分自身を表現する最も自然な方法です。 感情自体の定 … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Speaker Emotion Recognition: Leveraging Self-Supervised Models for Feature Extraction Using Wav2Vec2 and HuBERT はコメントを受け付けていません

Long-Form Text-to-Music Generation with Adaptive Prompts: A Case of Study in Tabletop Role-Playing Games Soundtracks

投稿日: 2024年11月7日 作成者: jarxiv

要約 この論文では、テーブルトップ ロール プレイング ゲーム (TRPG) の … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.NE, cs.SD, eess.AS | Long-Form Text-to-Music Generation with Adaptive Prompts: A Case of Study in Tabletop Role-Playing Games Soundtracks はコメントを受け付けていません