「cs.SD」カテゴリーアーカイブ

Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection

投稿日: 2024年1月11日 作成者: jarxiv

要約 リアルタイムかつ継続的な方向転換予測システムのデモンストレーションが行われ … 続きを読む →

カテゴリー: cs.CL, cs.HC, cs.SD, eess.AS | Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection はコメントを受け付けていません

Learning Audio Concepts from Counterfactual Natural Language

投稿日: 2024年1月11日 作成者: jarxiv

要約 従来の音声分類は事前定義されたクラスに依存しており、自由形式のテキストから … 続きを読む →

カテゴリー: cs.CL, cs.MM, cs.SD, eess.AS | Learning Audio Concepts from Counterfactual Natural Language はコメントを受け付けていません

MuTox: Universal MUltilingual Audio-based TOXicity Dataset and Zero-shot Detector

投稿日: 2024年1月11日 作成者: jarxiv

要約 音声モダリティ（音声ベース）の自然言語処理における毒性検出の研究は、特に英 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS, I.2.7 | MuTox: Universal MUltilingual Audio-based TOXicity Dataset and Zero-shot Detector はコメントを受け付けていません

Noise-robust zero-shot text-to-speech synthesis conditioned on self-supervised speech-representation model with adapters

投稿日: 2024年1月11日 作成者: jarxiv

要約 ゼロショット音声合成 (TTS) 方法は、自己教師あり学習 (SSL) 音 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Noise-robust zero-shot text-to-speech synthesis conditioned on self-supervised speech-representation model with adapters はコメントを受け付けていません

ANIM-400K: A Large-Scale Dataset for Automated End-To-End Dubbing of Video

投稿日: 2024年1月11日 作成者: jarxiv

要約 最大 60% が英語で公開されているインターネットの豊富なコンテンツは、英 … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.SD, eess.AS | ANIM-400K: A Large-Scale Dataset for Automated End-To-End Dubbing of Video はコメントを受け付けていません

Zero Shot Audio to Audio Emotion Transfer With Speaker Disentanglement

投稿日: 2024年1月10日 作成者: jarxiv

要約 オーディオ間 (A2A) スタイル転送の問題には、ソース オーディオのコン … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Zero Shot Audio to Audio Emotion Transfer With Speaker Disentanglement はコメントを受け付けていません

HyperGANStrument: Instrument Sound Synthesis and Editing with Pitch-Invariant Hypernetworks

投稿日: 2024年1月10日 作成者: jarxiv

要約 GANStrument は、ピッチ不変特徴抽出器とインスタンス調整技術で … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | HyperGANStrument: Instrument Sound Synthesis and Editing with Pitch-Invariant Hypernetworks はコメントを受け付けていません

HCAM — Hierarchical Cross Attention Model for Multi-modal Emotion Recognition

投稿日: 2024年1月10日 作成者: jarxiv

要約 感情表現にはマルチモーダルな性質があるため、会話における感情認識は困難です … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | HCAM — Hierarchical Cross Attention Model for Multi-modal Emotion Recognition はコメントを受け付けていません

Masked Audio Generation using a Single Non-Autoregressive Transformer

投稿日: 2024年1月10日 作成者: jarxiv

要約 オーディオ トークンの複数のストリームに対して直接動作する、マスクされた生 … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Masked Audio Generation using a Single Non-Autoregressive Transformer はコメントを受け付けていません

Theoretical Framework for the Optimization of Microphone Array Configuration for Humanoid Robot Audition

投稿日: 2024年1月9日 作成者: jarxiv

要約 人型ロボットの重要な側面は聴覚です。 これまでの研究では、さまざまな構成の … 続きを読む →

カテゴリー: cs.RO, cs.SD, eess.AS | Theoretical Framework for the Optimization of Microphone Array Configuration for Humanoid Robot Audition はコメントを受け付けていません