「cs.SD」カテゴリーアーカイブ

MMTrail: A Multimodal Trailer Video Dataset with Language and Music Descriptions

投稿日: 2024年8月7日 作成者: jarxiv

要約 大規模なマルチモダリティ データセットは、大規模なビデオ言語モデルの成功を … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | MMTrail: A Multimodal Trailer Video Dataset with Language and Music Descriptions はコメントを受け付けていません

Stem-JEPA: A Joint-Embedding Predictive Architecture for Musical Stem Compatibility Estimation

投稿日: 2024年8月6日 作成者: jarxiv

要約 この論文では、特定の音楽コンテキストとよく調和する単一の楽器の音声録音を特 … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Stem-JEPA: A Joint-Embedding Predictive Architecture for Musical Stem Compatibility Estimation はコメントを受け付けていません

An approach to optimize inference of the DIART speaker diarization pipeline

投稿日: 2024年8月6日 作成者: jarxiv

要約 話者ダイアライゼーションは、音声ファイルについて「誰がいつ話したか」という … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | An approach to optimize inference of the DIART speaker diarization pipeline はコメントを受け付けていません

Clustering and Mining Accented Speech for Inclusive and Fair Speech Recognition

投稿日: 2024年8月6日 作成者: jarxiv

要約 最新の自動音声認識 (ASR) システムは通常、数万時間以上の音声データに … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Clustering and Mining Accented Speech for Inclusive and Fair Speech Recognition はコメントを受け付けていません

Language Model Can Listen While Speaking

投稿日: 2024年8月6日 作成者: jarxiv

要約 対話は、人間とコンピューターの対話 (HCI) の最も自然な方法として機能 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.HC, cs.SD, eess.AS | Language Model Can Listen While Speaking はコメントを受け付けていません

MuChoMusic: Evaluating Music Understanding in Multimodal Audio-Language Models

投稿日: 2024年8月5日 作成者: jarxiv

要約 音声と言語を共同で処理するマルチモーダルモデルは、音声理解において大きな可 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.MM, cs.SD, eess.AS | MuChoMusic: Evaluating Music Understanding in Multimodal Audio-Language Models はコメントを受け付けていません

Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework

投稿日: 2024年8月5日 作成者: jarxiv

要約 一般化ゼロショット学習(GZSL)は、見たクラスと見たことのないクラスの両 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS, eess.IV | Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework はコメントを受け付けていません

DiM-Gesture: Co-Speech Gesture Generation with Adaptive Layer Normalization Mamba-2 framework

投稿日: 2024年8月4日 作成者: jarxiv

要約 音声駆動型ジェスチャ生成は、バーチャルヒューマン創作における新たな領域であ … 続きを読む →

カテゴリー: cs.AI, cs.GR, cs.RO, cs.SD | DiM-Gesture: Co-Speech Gesture Generation with Adaptive Layer Normalization Mamba-2 framework はコメントを受け付けていません

ChordSync: Conformer-Based Alignment of Chord Annotations to Music Audio

投稿日: 2024年8月4日 作成者: jarxiv

要約 西洋音楽の伝統において、和音は和声の主要な構成要素であり、音楽の基本的な側 … 続きを読む →

カテゴリー: 68P20, cs.LG, cs.MM, cs.SD, eess.AS, I.2.6 | ChordSync: Conformer-Based Alignment of Chord Annotations to Music Audio はコメントを受け付けていません

Bailing-TTS: Chinese Dialectal Speech Synthesis Towards Human-like Spontaneous Representation

投稿日: 2024年8月4日 作成者: jarxiv

要約 近年、大規模音声合成（TTS）モデルは大きな進歩を遂げているが、中国語の方 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Bailing-TTS: Chinese Dialectal Speech Synthesis Towards Human-like Spontaneous Representation はコメントを受け付けていません