「cs.SD」カテゴリーアーカイブ

Samba-ASR: State-Of-The-Art Speech Recognition Leveraging Structured State-Space Models

投稿日: 2025年1月8日 作成者: jarxiv

要約 私たちは、状態空間モデル (SSM) の基礎に基づいて構築された、新しい … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Samba-ASR: State-Of-The-Art Speech Recognition Leveraging Structured State-Space Models はコメントを受け付けていません

Noise-Robust Target-Speaker Voice Activity Detection Through Self-Supervised Pretraining

投稿日: 2025年1月7日 作成者: jarxiv

要約 ターゲット話者の音声アクティビティ検出 (TS-VAD) は、オーディオ … 続きを読む →

カテゴリー: 68T10, cs.LG, cs.SD, eess.AS, I.2.6 | Noise-Robust Target-Speaker Voice Activity Detection Through Self-Supervised Pretraining はコメントを受け付けていません

Samba-asr state-of-the-art speech recognition leveraging structured state-space models

投稿日: 2025年1月7日 作成者: jarxiv

要約 私たちは、状態空間モデル (SSM) の基盤上に構築された、エンコーダーと … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Samba-asr state-of-the-art speech recognition leveraging structured state-space models はコメントを受け付けていません

Piano Transcription by Hierarchical Language Modeling with Pretrained Roll-based Encoders

投稿日: 2025年1月7日 作成者: jarxiv

要約 生のオーディオから音符を取得することを目的とした自動音楽転写 (AMT) … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Piano Transcription by Hierarchical Language Modeling with Pretrained Roll-based Encoders はコメントを受け付けていません

OmniFlatten: An End-to-end GPT Model for Seamless Voice Conversation

投稿日: 2025年1月6日 作成者: jarxiv

要約 全二重音声対話システムは、従来のターンベースの対話システムを大幅に凌駕して … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | OmniFlatten: An End-to-end GPT Model for Seamless Voice Conversation はコメントを受け付けていません

Disentangling Speakers in Multi-Talker Speech Recognition with Speaker-Aware CTC

投稿日: 2025年1月6日 作成者: jarxiv

要約 複数話者による音声認識（MTASR）は、重複音声の分離と書き起こしにおいて … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Disentangling Speakers in Multi-Talker Speech Recognition with Speaker-Aware CTC はコメントを受け付けていません

VITA-1.5: Towards GPT-4o Level Real-Time Vision and Speech Interaction

投稿日: 2025年1月6日 作成者: jarxiv

要約 近年のマルチモーダル大規模言語モデル(MLLM)は、通常、視覚とテキストモ … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | VITA-1.5: Towards GPT-4o Level Real-Time Vision and Speech Interaction はコメントを受け付けていません

MuQ: Self-Supervised Music Representation Learning with Mel Residual Vector Quantization

投稿日: 2025年1月6日 作成者: jarxiv

要約 近年、音楽タグ付け、楽器分類、キー検出など、様々な音楽インフォマティクス理 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | MuQ: Self-Supervised Music Representation Learning with Mel Residual Vector Quantization はコメントを受け付けていません

AdaptVC: High Quality Voice Conversion with Adaptive Learning

投稿日: 2025年1月6日 作成者: jarxiv

要約 音声変換の目標は、元のコンテンツを保持しながら、ソーススピーカーの音声をリ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | AdaptVC: High Quality Voice Conversion with Adaptive Learning はコメントを受け付けていません

MuQ: Self-Supervised Music Representation Learning with Mel Residual Vector Quantization

投稿日: 2025年1月5日 作成者: jarxiv

要約 近年、音楽タグ付け、楽器分類、キー検出など、様々な音楽理解タスクにおいて、 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | MuQ: Self-Supervised Music Representation Learning with Mel Residual Vector Quantization はコメントを受け付けていません