「eess.AS」カテゴリーアーカイブ

A multimodal dynamical variational autoencoder for audiovisual speech representation learning

投稿日: 2024年2月21日 作成者: jarxiv

要約 この論文では、教師なし視聴覚音声表現学習に適用されるマルチモーダルで動的 … 続きを読む →

カテゴリー: cs.LG, cs.MM, cs.SD, eess.AS | A multimodal dynamical variational autoencoder for audiovisual speech representation learning はコメントを受け付けていません

Textless Low-Resource Speech-to-Speech Translation With Unit Language Models

投稿日: 2024年2月21日 作成者: jarxiv

要約 既存の音声対音声翻訳モデルは 2 つのグループに分類されます。1 つは数百 … 続きを読む →

カテゴリー: cs.CL, eess.AS | Textless Low-Resource Speech-to-Speech Translation With Unit Language Models はコメントを受け付けていません

Bayesian Parameter-Efficient Fine-Tuning for Overcoming Catastrophic Forgetting

投稿日: 2024年2月20日 作成者: jarxiv

要約 テキスト音声合成モデルの適応が動機となっていますが、より一般的なパラメータ … 続きを読む →

カテゴリー: cs.LG, eess.AS | Bayesian Parameter-Efficient Fine-Tuning for Overcoming Catastrophic Forgetting はコメントを受け付けていません

Unsupervised ASR via Cross-Lingual Pseudo-Labeling

投稿日: 2024年2月19日 作成者: jarxiv

要約 最近の研究では、ペアになっていない音声とテキストのみを使用して $\tex … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Unsupervised ASR via Cross-Lingual Pseudo-Labeling はコメントを受け付けていません

BASE TTS: Lessons from building a billion-parameter Text-to-Speech model on 100K hours of data

投稿日: 2024年2月16日 作成者: jarxiv

要約 BASE TTS と呼ばれるテキスト読み上げ (TTS) モデルを導入しま … 続きを読む →

カテゴリー: cs.CL, cs.LG, eess.AS | BASE TTS: Lessons from building a billion-parameter Text-to-Speech model on 100K hours of data はコメントを受け付けていません

DeepSRGM — Sequence Classification and Ranking in Indian Classical Music with Deep Learning

投稿日: 2024年2月16日 作成者: jarxiv

要約 インド古典音楽 (ICM) の重要な側面はラーガであり、作曲と即興演奏のメ … 続きを読む →

カテゴリー: cs.AI, cs.IR, cs.LG, cs.SD, eess.AS | DeepSRGM — Sequence Classification and Ranking in Indian Classical Music with Deep Learning はコメントを受け付けていません

Leveraging Pre-Trained Autoencoders for Interpretable Prototype Learning of Music Audio

投稿日: 2024年2月15日 作成者: jarxiv

要約 我々は、プロトタイプ学習に基づいた音楽オーディオ分類の解釈可能なモデル P … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | Leveraging Pre-Trained Autoencoders for Interpretable Prototype Learning of Music Audio はコメントを受け付けていません

The Sound of Healthcare: Improving Medical Transcription ASR Accuracy with Large Language Models

投稿日: 2024年2月13日 作成者: jarxiv

要約 急速に進化する医療文書の状況では、臨床対話を正確に書き写すことがますます重 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | The Sound of Healthcare: Improving Medical Transcription ASR Accuracy with Large Language Models はコメントを受け付けていません

LightCAM: A Fast and Light Implementation of Context-Aware Masking based D-TDNN for Speaker Verification

投稿日: 2024年2月13日 作成者: jarxiv

要約 従来の時間遅延ニューラル ネットワーク (TDNN) は、計算の複雑さと推 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | LightCAM: A Fast and Light Implementation of Context-Aware Masking based D-TDNN for Speaker Verification はコメントを受け付けていません

AIR-Bench: Benchmarking Large Audio-Language Models via Generative Comprehension

投稿日: 2024年2月13日 作成者: jarxiv

要約 最近、指示に従う音声言語モデルが、人間と音声のインタラクションとして広く注 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | AIR-Bench: Benchmarking Large Audio-Language Models via Generative Comprehension はコメントを受け付けていません