「eess.AS」カテゴリーアーカイブ

Miipher-2: A Universal Speech Restoration Model for Million-Hour Scale Data Restoration

投稿日: 2025年5月8日 作成者: jarxiv

要約 トレーニングデータクリーニングは、生成モデルベースの音声修復（SR）の新し … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Miipher-2: A Universal Speech Restoration Model for Million-Hour Scale Data Restoration はコメントを受け付けていません

Recognizing Ornaments in Vocal Indian Art Music with Active Annotation

投稿日: 2025年5月8日 作成者: jarxiv

要約 多くの音楽の伝統にわたるメロディックな表現には、装飾、装飾、または微気変動 … 続きを読む →

カテゴリー: cs.AI, cs.LG, eess.AS | Recognizing Ornaments in Vocal Indian Art Music with Active Annotation はコメントを受け付けていません

Automatic Music Transcription using Convolutional Neural Networks and Constant-Q transform

投稿日: 2025年5月8日 作成者: jarxiv

要約 自動音楽転写（AMT）は、音楽のオーディオ録音を分析し、再生されているメモ … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.MM, cs.SD, eess.AS | Automatic Music Transcription using Convolutional Neural Networks and Constant-Q transform はコメントを受け付けていません

Score Distillation Sampling for Audio: Source Separation, Synthesis, and Beyond

投稿日: 2025年5月8日 作成者: jarxiv

要約 オーディオSDSを紹介します。オーディオSDは、テキストコンディショニング … 続きを読む →

カテゴリー: 68T07, cs.AI, cs.LG, cs.MM, cs.SD, eess.AS, H.5.1 | Score Distillation Sampling for Audio: Source Separation, Synthesis, and Beyond はコメントを受け付けていません

mWhisper-Flamingo for Multilingual Audio-Visual Noise-Robust Speech Recognition

投稿日: 2025年5月8日 作成者: jarxiv

要約 Audio-Visuual Speech Speech Septureat … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | mWhisper-Flamingo for Multilingual Audio-Visual Noise-Robust Speech Recognition はコメントを受け付けていません

SwinLip: An Efficient Visual Speech Encoder for Lip Reading Using Swin Transformer

投稿日: 2025年5月8日 作成者: jarxiv

要約 このペーパーでは、リップリーディング用の効率的な視覚音声エンコーダーを紹介 … 続きを読む →

カテゴリー: cs.CV, eess.AS | SwinLip: An Efficient Visual Speech Encoder for Lip Reading Using Swin Transformer はコメントを受け付けていません

EchoInk-R1: Exploring Audio-Visual Reasoning in Multimodal LLMs via Reinforcement Learning

投稿日: 2025年5月8日 作成者: jarxiv

要約 マルチモーダル大手言語モデル（MLLM）は、テキスト、ビジョン、オーディオ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM, cs.SD, eess.AS | EchoInk-R1: Exploring Audio-Visual Reasoning in Multimodal LLMs via Reinforcement Learning はコメントを受け付けていません

Applications of Artificial Intelligence for Cross-language Intelligibility Assessment of Dysarthric Speech

投稿日: 2025年5月7日 作成者: jarxiv

要約 目的：音声明瞭度は、ダイサルリアの評価と管理における重要な結果ですが、ほと … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Applications of Artificial Intelligence for Cross-language Intelligibility Assessment of Dysarthric Speech はコメントを受け付けていません

SepALM: Audio Language Models Are Error Correctors for Robust Speech Separation

投稿日: 2025年5月7日 作成者: jarxiv

要約 現代の音声分離技術は、長い混合オーディオ波形を巧みに処理しますが、騒々しい … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | SepALM: Audio Language Models Are Error Correctors for Robust Speech Separation はコメントを受け付けていません

Bemba Speech Translation: Exploring a Low-Resource African Language

投稿日: 2025年5月6日 作成者: jarxiv

要約 本論文では、国際音声言語翻訳会議（IWSLT2025）の低リソース言語トラ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Bemba Speech Translation: Exploring a Low-Resource African Language はコメントを受け付けていません