-
最近の投稿
- 3D Water Quality Mapping using Invariant Extended Kalman Filtering for Underwater Robot Localization
- Hybrid Visual Servoing of Tendon-driven Continuum Robots
- Embodying Control in Soft Multistable Grippers from morphofunctional co-design
- View-Invariant Policy Learning via Zero-Shot Novel View Synthesis
- ModSkill: Physical Character Skill Modularization
-
最近のコメント
表示できるコメントはありません。 cs.AI (34028) cs.CL (25726) cs.CR (2616) cs.CV (39965) cs.LG (39031) cs.RO (19850) cs.SY (3019) eess.IV (4757) eess.SY (3013) stat.ML (5150)
「eess.AS」カテゴリーアーカイブ
WavRAG: Audio-Integrated Retrieval Augmented Generation for Spoken Dialogue Models
要約 検索拡張生成（RAG）は、大規模な言語モデル（LLM）に外部知識を統合でき … 続きを読む
Multimodal Emotion Recognition using Audio-Video Transformer Fusion with Cross Attention
要約 感情を理解することは、人間のコミュニケーションの基本的な側面です。 オーデ … 続きを読む
DiTTo-TTS: Diffusion Transformers for Scalable Text-to-Speech without Domain-Specific Factors
要約 大規模な潜在的拡散モデル（LDMS）は、さまざまなモダリティのコンテンツ生 … 続きを読む
Improving Acoustic Side-Channel Attacks on Keyboards Using Transformers and Large Language Models
要約 日常のデバイスにおけるマイクの増加の有病率とオンラインサービスへの依存度の … 続きを読む
NaturalL2S: End-to-End High-quality Multispeaker Lip-to-Speech Synthesis with Differential Digital Signal Processing
要約 視覚音声認識（VSR）の最近の進歩は、唇からスピーチの合成の進歩を促進しま … 続きを読む
DiTAR: Diffusion Transformer Autoregressive Modeling for Speech Generation
要約 いくつかの最近の研究では、拡散モデルと自己回帰モデルを組み合わせることによ … 続きを読む
MTLM: an Innovative Language Model Training Paradigm for ASR
要約 大量のテキストでのトレーニング前の変圧器ベースの言語モデル（LMS）は、自 … 続きを読む
OWLS: Scaling Laws for Multilingual Speech Recognition and Translation Models
要約 ニューラルスケーリング法則は、堅牢なシーケンス処理アーキテクチャを設計する … 続きを読む
Ola: Pushing the Frontiers of Omni-Modal Language Model with Progressive Modality Alignment
要約 特にGPT-4Oに続く大規模な言語モデルの最近の進歩により、より多くのモダ … 続きを読む
Towards Efficient and Multifaceted Computer-assisted Pronunciation Training Leveraging Hierarchical Selective State Space Model and Decoupled Cross-entropy Loss
要約 コンピューター支援発音トレーニング（CAPT）システムの構築における事前の … 続きを読む