「eess.AS」カテゴリーアーカイブ

Exploring Meta Information for Audio-based Zero-shot Bird Classification

投稿日: 2023年9月18日 作成者: jarxiv

要約 受動的音響モニタリングと機械学習の進歩により、計算による生体音響研究のため … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Exploring Meta Information for Audio-based Zero-shot Bird Classification はコメントを受け付けていません

Towards Word-Level End-to-End Neural Speaker Diarization with Auxiliary Network

投稿日: 2023年9月18日 作成者: jarxiv

要約 標準的な話者ダイアリゼーションは「誰がいつ話したか」という質問に答えようと … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS, stat.ML | Towards Word-Level End-to-End Neural Speaker Diarization with Auxiliary Network はコメントを受け付けていません

Cross-lingual Knowledge Distillation via Flow-based Voice Conversion for Robust Polyglot Text-To-Speech

投稿日: 2023年9月18日 作成者: jarxiv

要約 この研究では、上流の音声変換 (VC) モデルと下流の Text-To-S … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Cross-lingual Knowledge Distillation via Flow-based Voice Conversion for Robust Polyglot Text-To-Speech はコメントを受け付けていません

DiaCorrect: Error Correction Back-end For Speaker Diarization

投稿日: 2023年9月18日 作成者: jarxiv

要約 この研究では、シンプルかつ効果的な方法でダイアライゼーション システムの出 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | DiaCorrect: Error Correction Back-end For Speaker Diarization はコメントを受け付けていません

Mixture Encoder Supporting Continuous Speech Separation for Meeting Recognition

投稿日: 2023年9月18日 作成者: jarxiv

要約 自動音声認識 (ASR) の現実のアプリケーションの多くは、重複した音声の … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Mixture Encoder Supporting Continuous Speech Separation for Meeting Recognition はコメントを受け付けていません

Augmenting conformers with structured state space models for online speech recognition

投稿日: 2023年9月18日 作成者: jarxiv

要約 モデルが左側のコンテキストにのみアクセスするオンライン音声認識は、ASR … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Augmenting conformers with structured state space models for online speech recognition はコメントを受け付けていません

System Fingerprint Recognition for Deepfake Audio: An Initial Dataset and Investigation

投稿日: 2023年9月18日 作成者: jarxiv

要約 深層音声合成モデルの急速な進歩は、悪意のあるコンテンツ操作などの重大な脅威 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | System Fingerprint Recognition for Deepfake Audio: An Initial Dataset and Investigation はコメントを受け付けていません

Text-Driven Foley Sound Generation With Latent Diffusion Model

投稿日: 2023年9月18日 作成者: jarxiv

要約 フォーリー サウンド生成は、マルチメディア コンテンツの背景サウンドを合成 … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Text-Driven Foley Sound Generation With Latent Diffusion Model はコメントを受け付けていません

Towards Practical and Efficient Image-to-Speech Captioning with Vision-Language Pre-training and Multi-modal Tokens

投稿日: 2023年9月18日 作成者: jarxiv

要約 この論文では、強力かつ効率的な Image-to-Speech キャプショ … 続きを読む →

カテゴリー: cs.CL, cs.CV, eess.AS, eess.IV | Towards Practical and Efficient Image-to-Speech Captioning with Vision-Language Pre-training and Multi-modal Tokens はコメントを受け付けていません

Visual Speech Recognition for Low-resource Languages with Automatic Labels From Whisper Model

投稿日: 2023年9月18日 作成者: jarxiv

要約 この論文では、複数の言語、特にラベル付きデータの数が限られている低リソース … 続きを読む →

カテゴリー: cs.AI, cs.CV, eess.AS | Visual Speech Recognition for Low-resource Languages with Automatic Labels From Whisper Model はコメントを受け付けていません