「eess.AS」カテゴリーアーカイブ

Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children VS. Adults

投稿日: 2024年5月16日 作成者: jarxiv

要約 Whisper に代表される自動音声認識 (ASR) システムの最近の進歩 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children VS. Adults はコメントを受け付けていません

Perception-Inspired Graph Convolution for Music Understanding Tasks

投稿日: 2024年5月16日 作成者: jarxiv

要約 我々は、MusGConv と呼ばれる新しいグラフ畳み込みブロックを提案しま … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Perception-Inspired Graph Convolution for Music Understanding Tasks はコメントを受け付けていません

The Codecfake Dataset and Countermeasures for the Universally Detection of Deepfake Audio

投稿日: 2024年5月16日 作成者: jarxiv

要約 Audio Language Model (ALM) ベースのディープフェ … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | The Codecfake Dataset and Countermeasures for the Universally Detection of Deepfake Audio はコメントを受け付けていません

Not My Voice! A Taxonomy of Ethical and Safety Harms of Speech Generators

投稿日: 2024年5月16日 作成者: jarxiv

要約 人間の音声を生成する AI の急速かつ大規模な導入は、対処する必要があるさ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CY, eess.AS | Not My Voice! A Taxonomy of Ethical and Safety Harms of Speech Generators はコメントを受け付けていません

MusicMagus: Zero-Shot Text-to-Music Editing via Diffusion Models

投稿日: 2024年5月16日 作成者: jarxiv

要約 テキストから音楽への生成モデルの最近の進歩により、音楽の創造性に新たな道が … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | MusicMagus: Zero-Shot Text-to-Music Editing via Diffusion Models はコメントを受け付けていません

Dance Any Beat: Blending Beats with Visuals in Dance Video Generation

投稿日: 2024年5月16日 作成者: jarxiv

要約 音楽からダンスを生成するというタスクは重要ですが、主に関節シーケンスを生成 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM, cs.SD, eess.AS | Dance Any Beat: Blending Beats with Visuals in Dance Video Generation はコメントを受け付けていません

Where Visual Speech Meets Language: VSP-LLM Framework for Efficient and Context-Aware Visual Speech Processing

投稿日: 2024年5月15日 作成者: jarxiv

要約 視覚的音声処理では、唇の動きの曖昧な性質により、コンテキスト モデリング機 … 続きを読む →

カテゴリー: cs.CL, cs.CV, eess.AS, eess.IV | Where Visual Speech Meets Language: VSP-LLM Framework for Efficient and Context-Aware Visual Speech Processing はコメントを受け付けていません

SpeechVerse: A Large-scale Generalizable Audio Language Model

投稿日: 2024年5月15日 作成者: jarxiv

要約 大規模言語モデル (LLM) は、自然言語命令の意味的理解を必要とするタス … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | SpeechVerse: A Large-scale Generalizable Audio Language Model はコメントを受け付けていません

SpeechGuard: Exploring the Adversarial Robustness of Multimodal Large Language Models

投稿日: 2024年5月15日 作成者: jarxiv

要約 音声指示に従い、関連するテキスト応答を生成できる統合音声モデルおよび大規模 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | SpeechGuard: Exploring the Adversarial Robustness of Multimodal Large Language Models はコメントを受け付けていません

Investigating Design Choices in Joint-Embedding Predictive Architectures for General Audio Representation Learning

投稿日: 2024年5月15日 作成者: jarxiv

要約 この論文は、自己教師ありの汎用音声表現学習の問題に取り組みます。 このタス … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Investigating Design Choices in Joint-Embedding Predictive Architectures for General Audio Representation Learning はコメントを受け付けていません