「cs.SD」カテゴリーアーカイブ

Transformer-based Model for ASR N-Best Rescoring and Rewriting

投稿日: 2024年6月13日 作成者: jarxiv

要約 音声アシスタントは、速度とプライバシーを確​​保するために、オンデバイスの … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Transformer-based Model for ASR N-Best Rescoring and Rewriting はコメントを受け付けていません

Speech Emotion Recognition with ASR Transcripts: A Comprehensive Study on Word Error Rate and Fusion Techniques

投稿日: 2024年6月13日 作成者: jarxiv

要約 テキスト データは一般に、音声感情認識 (SER) のパフォーマンスと信頼 … 続きを読む →

カテゴリー: cs.CL, cs.MM, cs.SD, eess.AS | Speech Emotion Recognition with ASR Transcripts: A Comprehensive Study on Word Error Rate and Fusion Techniques はコメントを受け付けていません

Towards Unsupervised Speech Recognition Without Pronunciation Models

投稿日: 2024年6月13日 作成者: jarxiv

要約 教師あり自動音声認識 (ASR) の最近の進歩は、主に大規模な書き起こされ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Towards Unsupervised Speech Recognition Without Pronunciation Models はコメントを受け付けていません

Understanding Sounds, Missing the Questions: The Challenge of Object Hallucination in Large Audio-Language Models

投稿日: 2024年6月13日 作成者: jarxiv

要約 大規模音声言語モデル (LALM) は、音声認識機能を統合することで従来の … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Understanding Sounds, Missing the Questions: The Challenge of Object Hallucination in Large Audio-Language Models はコメントを受け付けていません

Diff-A-Riff: Musical Accompaniment Co-creation via Latent Diffusion Models

投稿日: 2024年6月13日 作成者: jarxiv

要約 ディープジェネレーティブモデルの最近の進歩は、音楽制作に新たな機会をもたら … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Diff-A-Riff: Musical Accompaniment Co-creation via Latent Diffusion Models はコメントを受け付けていません

Harder or Different? Understanding Generalization of Audio Deepfake Detection

投稿日: 2024年6月13日 作成者: jarxiv

要約 最近の研究では、音声ディープフェイク検出における重要な問題が明らかになりま … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Harder or Different? Understanding Generalization of Audio Deepfake Detection はコメントを受け付けていません

CoLM-DSR: Leveraging Neural Codec Language Modeling for Multi-Modal Dysarthric Speech Reconstruction

投稿日: 2024年6月13日 作成者: jarxiv

要約 構音障害音声再構成 (DSR) は、構音障害のある音声を正常な音声に変換す … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | CoLM-DSR: Leveraging Neural Codec Language Modeling for Multi-Modal Dysarthric Speech Reconstruction はコメントを受け付けていません

Exploring Meta Information for Audio-based Zero-shot Bird Classification

投稿日: 2024年6月12日 作成者: jarxiv

要約 受動的音響モニタリングと機械学習の進歩により、計算による生体音響研究のため … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Exploring Meta Information for Audio-based Zero-shot Bird Classification はコメントを受け付けていません

MM-KWS: Multi-modal Prompts for Multilingual User-defined Keyword Spotting

投稿日: 2024年6月12日 作成者: jarxiv

要約 この論文では、テキストと音声テンプレートのマルチモーダル登録を活用した、ユ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | MM-KWS: Multi-modal Prompts for Multilingual User-defined Keyword Spotting はコメントを受け付けていません

Multimodal Belief Prediction

投稿日: 2024年6月12日 作成者: jarxiv

要約 話者の信念に対する取り組みのレベルを認識するのは難しい作業です。 人間は文 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Multimodal Belief Prediction はコメントを受け付けていません