「eess.AS」カテゴリーアーカイブ

XTTS: a Massively Multilingual Zero-Shot Text-to-Speech Model

投稿日: 2024年6月10日 作成者: jarxiv

要約 ほとんどのゼロショット マルチスピーカー TTS (ZS-TTS) システ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | XTTS: a Massively Multilingual Zero-Shot Text-to-Speech Model はコメントを受け付けていません

LLM-based speaker diarization correction: A generalizable approach

投稿日: 2024年6月10日 作成者: jarxiv

要約 話者ダイアライゼーションは、自動音声認識 (ASR) ツールを使用して書き … 続きを読む →

カテゴリー: cs.CL, eess.AS | LLM-based speaker diarization correction: A generalizable approach はコメントを受け付けていません

AudioSetMix: Enhancing Audio-Language Datasets with LLM-Assisted Augmentations

投稿日: 2024年6月10日 作成者: jarxiv

要約 音声言語領域におけるマルチモーダル学習は、近年大幅な進歩を遂げています。 … 続きを読む →

カテゴリー: cs.CL, cs.MM, cs.SD, eess.AS | AudioSetMix: Enhancing Audio-Language Datasets with LLM-Assisted Augmentations 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10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

MA-AVT: Modality Alignment for Parameter-Efficient Audio-Visual Transformers

投稿日: 2024年6月10日 作成者: jarxiv

要約 事前トレーニングされたビジョントランスフォーマーの最近の進歩により、音声の … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | MA-AVT: Modality Alignment for Parameter-Efficient Audio-Visual Transformers はコメントを受け付けていません

Reacting like Humans: Incorporating Intrinsic Human Behaviors into NAO through Sound-Based Reactions to Fearful and Shocking Events for Enhanced Sociability

投稿日: 2024年6月7日 作成者: jarxiv

要約 人間に似た反応を組み込むことで、人間の間でのロボットの受容性と社会性を大幅 … 続きを読む →

カテゴリー: 68T40, cs.AI, cs.LG, cs.RO, cs.SD, eess.AS, eess.IV | Reacting like Humans: Incorporating Intrinsic Human Behaviors into NAO through Sound-Based Reactions to Fearful and Shocking Events for Enhanced Sociability はコメントを受け付けていません

Integrating Pre-Trained Speech and Language Models for End-to-End Speech Recognition

投稿日: 2024年6月7日 作成者: jarxiv

要約 機械学習の進歩により、自動音声認識 (ASR) などのさまざまなテキストお … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, eess.AS | Integrating Pre-Trained Speech and Language Models for End-to-End Speech Recognition はコメントを受け付けていません

RECAP: Retrieval-Augmented Audio Captioning

投稿日: 2024年6月7日 作成者: jarxiv

要約 RECAP (REtrieval-Augmented Audio CAPt … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | RECAP: Retrieval-Augmented Audio Captioning はコメントを受け付けていません

Robots Have Been Seen and Not Heard: Effects of Consequential Sounds on Human-Perception of Robots

投稿日: 2024年6月6日 作成者: jarxiv

要約 多くの人は、ロボットがかなり静かに動くこと、あるいはロボットのビデオで見た … 続きを読む →

カテゴリー: cs.RO, eess.AS | Robots Have Been Seen and Not Heard: Effects of Consequential Sounds on Human-Perception of Robots はコメントを受け付けていません

HAAQI-Net: A Non-intrusive Neural Music Audio Quality Assessment Model for Hearing Aids

投稿日: 2024年6月6日 作成者: jarxiv

要約 この文書では、補聴器ユーザー向けに調整された音楽音質評価のための非侵入型デ … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | HAAQI-Net: A Non-intrusive Neural Music Audio Quality Assessment Model for Hearing Aids はコメントを受け付けていません