「cs.SD」カテゴリーアーカイブ

Meta-Whisper: Speech-Based Meta-ICL for ASR on Low-Resource Languages

投稿日: 2024年9月17日 作成者: jarxiv

要約 この論文では、Whisper モデルを使用して低リソース言語の自動音声認識 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Meta-Whisper: Speech-Based Meta-ICL for ASR on Low-Resource Languages はコメントを受け付けていません

Do Prompts Really Prompt? Exploring the Prompt Understanding Capability of Whisper

投稿日: 2024年9月17日 作成者: jarxiv

要約 この研究では、プロンプトの情報が高性能音声認識モデル Whisper とど … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Do Prompts Really Prompt? Exploring the Prompt Understanding Capability of Whisper はコメントを受け付けていません

DreamHead: Learning Spatial-Temporal Correspondence via Hierarchical Diffusion for Audio-driven Talking Head Synthesis

投稿日: 2024年9月17日 作成者: jarxiv

要約 オーディオ駆動トーキング ヘッド合成は、提供されたオーディオから本物のよう … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | DreamHead: Learning Spatial-Temporal Correspondence via Hierarchical Diffusion for Audio-driven Talking Head Synthesis はコメントを受け付けていません

MusicLIME: Explainable Multimodal Music Understanding

投稿日: 2024年9月17日 作成者: jarxiv

要約 マルチモーダル モデルは、オーディオと歌詞の間の複雑な相互作用を捉えるため … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | MusicLIME: Explainable Multimodal Music Understanding はコメントを受け付けていません

An Efficient Self-Learning Framework For Interactive Spoken Dialog Systems

投稿日: 2024年9月17日 作成者: jarxiv

要約 音声アシスタントなどの対話システムは、複雑で進化する会話にユーザーと関わる … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | An Efficient Self-Learning Framework For Interactive Spoken Dialog Systems はコメントを受け付けていません

2D or not 2D: How Does the Dimensionality of Gesture Representation Affect 3D Co-Speech Gesture Generation?

投稿日: 2024年9月17日 作成者: jarxiv

要約 共同スピーチのジェスチャーはコミュニケーションの基本です。 最近の深層学習 … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.SD, eess.AS | 2D or not 2D: How Does the Dimensionality of Gesture Representation Affect 3D Co-Speech Gesture Generation? はコメントを受け付けていません

Biomimetic Frontend for Differentiable Audio Processing

投稿日: 2024年9月16日 作成者: jarxiv

要約 オーディオおよび音声処理のモデルはより深く、よりエンドツーエンドになってい … 続きを読む →

カテゴリー: cs.LG, cs.NE, cs.SD, eess.AS | Biomimetic Frontend for Differentiable Audio Processing はコメントを受け付けていません

Large Language Model Can Transcribe Speech in Multi-Talker Scenarios with Versatile Instructions

投稿日: 2024年9月16日 作成者: jarxiv

要約 大規模言語モデル (LLM) の最近の進歩はさまざまな領域に革命をもたらし … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Large Language Model Can Transcribe Speech in Multi-Talker Scenarios with Versatile Instructions はコメントを受け付けていません

LA-RAG:Enhancing LLM-based ASR Accuracy with Retrieval-Augmented Generation

投稿日: 2024年9月16日 作成者: jarxiv

要約 音声情報を大規模言語モデル (LLM) に統合する最近の進歩により、自動音 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | LA-RAG:Enhancing LLM-based ASR Accuracy with Retrieval-Augmented Generation はコメントを受け付けていません

Investigating Disentanglement in a Phoneme-level Speech Codec for Prosody Modeling

投稿日: 2024年9月16日 作成者: jarxiv

要約 音声韻律モデリングにおける一般的なアプローチのほとんどは、参照音声の属性を … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Investigating Disentanglement in a Phoneme-level Speech Codec for Prosody Modeling はコメントを受け付けていません