「cs.SD」カテゴリーアーカイブ

Deep Active Audio Feature Learning in Resource-Constrained Environments

投稿日: 2024年7月2日 作成者: jarxiv

要約 ラベル付きデータが不足しているため、生体音響アプリケーションでのディープ … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | Deep Active Audio Feature Learning in Resource-Constrained Environments はコメントを受け付けていません

Training-Free Deepfake Voice Recognition by Leveraging Large-Scale Pre-Trained Models

投稿日: 2024年7月2日 作成者: jarxiv

要約 現在の音声ディープフェイク検出器にとって一般化は主な問題であり、配布外のデ … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | Training-Free Deepfake Voice Recognition by Leveraging Large-Scale Pre-Trained Models はコメントを受け付けていません

ManiWAV: Learning Robot Manipulation from In-the-Wild Audio-Visual Data

投稿日: 2024年7月1日 作成者: jarxiv

要約 音声信号は、ロボットの相互作用や接触による物体の特性に関する豊富な情報を提 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.RO, cs.SD, eess.AS | ManiWAV: Learning Robot Manipulation from In-the-Wild Audio-Visual Data はコメントを受け付けていません

Advancing Airport Tower Command Recognition: Integrating Squeeze-and-Excitation and Broadcasted Residual Learning

投稿日: 2024年7月1日 作成者: jarxiv

要約 パイロットは航空交通管制の指示に正確に従わなければならないため、航空コマン … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Advancing Airport Tower Command Recognition: Integrating Squeeze-and-Excitation and Broadcasted Residual Learning はコメントを受け付けていません

BESTOW: Efficient and Streamable Speech Language Model with the Best of Two Worlds in GPT and T5

投稿日: 2024年7月1日 作成者: jarxiv

要約 音声理解機能を事前トレーニングされた大規模言語モデルに組み込むことは、研究 … 続きを読む →

カテゴリー: 68T10, cs.CL, cs.HC, cs.SD, eess.AS, I.2.7 | BESTOW: Efficient and Streamable Speech Language Model with the Best of Two Worlds in GPT and T5 はコメントを受け付けていません

Subtractive Training for Music Stem Insertion using Latent Diffusion Models

投稿日: 2024年6月28日 作成者: jarxiv

要約 私たちは、他の楽器をコンテキストとして与えられた個々の楽器のステムを合成す … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Subtractive Training for Music Stem Insertion using Latent Diffusion Models はコメントを受け付けていません

Daisy-TTS: Simulating Wider Spectrum of Emotions via Prosody Embedding Decomposition

投稿日: 2024年6月28日 作成者: jarxiv

要約 私たちは感情を多面的に言葉で表現することがよくありますが、感情の強さはさま … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Daisy-TTS: Simulating Wider Spectrum of Emotions via Prosody Embedding Decomposition 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6月28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

Application of ASV for Voice Identification after VC and Duration Predictor Improvement in TTS Models

投稿日: 2024年6月28日 作成者: jarxiv

要約 生体認証セキュリティの分野で最も重要なコンポーネントの 1 つは、話者の音 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Application of ASV for Voice Identification after VC and Duration Predictor Improvement in TTS Models はコメントを受け付けていません

Taming Data and Transformers for Audio Generation

投稿日: 2024年6月28日 作成者: jarxiv

要約 環境音や環境効果の生成は、データ不足とキャプションの品質が不十分なことが多 … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM, cs.SD, eess.AS | Taming Data and Transformers for Audio Generation はコメントを受け付けていません