「eess.AS」カテゴリーアーカイブ

Minimally-Supervised Speech Synthesis with Conditional Diffusion Model and Language Model: A Comparative Study of Semantic Coding

投稿日: 2023年9月4日 作成者: jarxiv

要約 近年、2種類の離散音声表現を組み合わせ、TTSを分離するために2つのシーケ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Minimally-Supervised Speech Synthesis with Conditional Diffusion Model and Language Model: A Comparative Study of Semantic Coding はコメントを受け付けていません

CPSP: Learning Speech Concepts From Phoneme Supervision

投稿日: 2023年9月4日 作成者: jarxiv

要約 最小教師付き音声合成(TTS)、音声変換(VC)、自動音声認識(ASR)な … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | CPSP: Learning Speech Concepts From Phoneme Supervision はコメントを受け付けていません

Towards Contrastive Learning in Music Video Domain

投稿日: 2023年9月4日 作成者: jarxiv

要約 対照学習は、画像キャプション検索やオーディオビジュアル表現学習など、様々な … 続きを読む →

カテゴリー: cs.CV, cs.IR, cs.MM, cs.SD, eess.AS | Towards Contrastive Learning in Music Video Domain はコメントを受け付けていません

Knowledge Distillation from Non-streaming to Streaming ASR Encoder using Auxiliary Non-streaming Layer

投稿日: 2023年9月1日 作成者: jarxiv

要約 ストリーミング自動音声認識 (ASR) モデルは、将来のコンテキストへのア … 続きを読む →

カテゴリー: cs.CL, eess.AS | Knowledge Distillation from Non-streaming to Streaming ASR Encoder using Auxiliary Non-streaming Layer はコメントを受け付けていません

Time-Varying Quasi-Closed-Phase Analysis for Accurate Formant Tracking in Speech Signals

投稿日: 2023年9月1日 作成者: jarxiv

要約 この論文では、時変準閉位相 (TVQCP) 分析を使用して音声信号のフォル … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS, eess.SP | Time-Varying Quasi-Closed-Phase Analysis for Accurate Formant Tracking in Speech Signals はコメントを受け付けていません

OLISIA: a Cascade System for Spoken Dialogue State Tracking

投稿日: 2023年9月1日 作成者: jarxiv

要約 Dialogue State Tracking (DST) は音声対話シス … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | OLISIA: a Cascade System for Spoken Dialogue State Tracking はコメントを受け付けていません

Improving Mandarin Prosodic Structure Prediction with Multi-level Contextual Information

投稿日: 2023年9月1日 作成者: jarxiv

要約 テキスト音声合成 (TTS) 合成では、韻律構造予測 (PSP) が自然で … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Improving Mandarin Prosodic Structure Prediction with Multi-level Contextual Information はコメントを受け付けていません

Towards Spontaneous Style Modeling with Semi-supervised Pre-training for Conversational Text-to-Speech Synthesis

投稿日: 2023年9月1日 作成者: jarxiv

要約 会話中に自然発生的な動作が頻繁に発生するため、読み上げ形式に比べて話し言葉 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Towards Spontaneous Style Modeling with Semi-supervised Pre-training for Conversational Text-to-Speech Synthesis はコメントを受け付けていません

SpeechTokenizer: Unified Speech Tokenizer for Speech Large Language Models

投稿日: 2023年9月1日 作成者: jarxiv

要約 現在の音声大規模言語モデルは、意味論的トークンと音響トークンに分類できる離 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | SpeechTokenizer: Unified Speech Tokenizer for Speech Large Language Models はコメントを受け付けていません

Towards Improving the Expressiveness of Singing Voice Synthesis with BERT Derived Semantic Information

投稿日: 2023年9月1日 作成者: jarxiv

要約 本稿では、合成された歌声の表現力を向上させるために、Transformer … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Towards Improving the Expressiveness of Singing Voice Synthesis with BERT Derived Semantic Information はコメントを受け付けていません