「cs.SD」カテゴリーアーカイブ

AudioBERT: Audio Knowledge Augmented Language Model

投稿日: 2024年9月13日 作成者: jarxiv

要約 最近の研究では、テキストのみのデータセットで事前トレーニングされた言語モデ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | AudioBERT: Audio Knowledge Augmented Language Model はコメントを受け付けていません

Sim2Real Transfer for Audio-Visual Navigation with Frequency-Adaptive Acoustic Field Prediction

投稿日: 2024年9月12日 作成者: jarxiv

要約 Sim2real 転送は、シミュレーションでロボット タスクをエンドツーエ … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.RO, cs.SD, eess.AS | Sim2Real Transfer for Audio-Visual Navigation with Frequency-Adaptive Acoustic Field Prediction はコメントを受け付けていません

D-CAPTCHA++: A Study of Resilience of Deepfake CAPTCHA under Transferable Imperceptible Adversarial Attack

投稿日: 2024年9月12日 作成者: jarxiv

要約 生成 AI の進歩により、テキスト読み上げや音声変換などの音声合成モデルの … 続きを読む →

カテゴリー: cs.CR, cs.LG, cs.SD, eess.AS | D-CAPTCHA++: A Study of Resilience of Deepfake CAPTCHA under Transferable Imperceptible Adversarial Attack はコメントを受け付けていません

Cross-Modal Denoising: A Novel Training Paradigm for Enhancing Speech-Image Retrieval

投稿日: 2024年9月12日 作成者: jarxiv

要約 音声と画像の検索が成功するかどうかは、音声と画像の間の効果的な調整を確立で … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Cross-Modal Denoising: A Novel Training Paradigm for Enhancing Speech-Image Retrieval はコメントを受け付けていません

Coarse-to-fine Alignment Makes Better Speech-image Retrieval

投稿日: 2024年9月12日 作成者: jarxiv

要約 この論文では、音声画像検索のための新しいフレームワークを提案します。 音声 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Coarse-to-fine Alignment Makes Better Speech-image Retrieval はコメントを受け付けていません

Evaluation of real-time transcriptions using end-to-end ASR models

投稿日: 2024年9月12日 作成者: jarxiv

要約 自動音声認識 (ASR) または Speech-to-text (STT) … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, I.2.7 | Evaluation of real-time transcriptions using end-to-end ASR models はコメントを受け付けていません

Cross-Dialect Text-To-Speech in Pitch-Accent Language Incorporating Multi-Dialect Phoneme-Level BERT

投稿日: 2024年9月12日 作成者: jarxiv

要約 私たちは、非母国語の方言、特に高低アクセント言語で学習した話者の音声を合成 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Cross-Dialect Text-To-Speech in Pitch-Accent Language Incorporating Multi-Dialect Phoneme-Level BERT はコメントを受け付けていません

A Suite for Acoustic Language Model Evaluation

投稿日: 2024年9月12日 作成者: jarxiv

要約 音声言語モデルは最近、汎用音声処理システムとして大きな可能性を示しています … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | A Suite for Acoustic Language Model Evaluation はコメントを受け付けていません

EventTrojan: Manipulating Non-Intrusive Speech Quality Assessment via Imperceptible Events

投稿日: 2024年9月12日 作成者: jarxiv

要約 非侵入型音声品質評価 (NISQA) は、参照音声を必要とせずに音声の平均 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | EventTrojan: Manipulating Non-Intrusive Speech Quality Assessment via Imperceptible Events はコメントを受け付けていません

VMAS: Video-to-Music Generation via Semantic Alignment in Web Music Videos

投稿日: 2024年9月12日 作成者: jarxiv

要約 ビデオ入力から BGM を生成する方法を学習するためのフレームワークを紹介 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | VMAS: Video-to-Music Generation via Semantic Alignment in Web Music Videos はコメントを受け付けていません