「eess.AS」カテゴリーアーカイブ

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

投稿日: 2025年2月12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 | コメントする

Exploring Audio Editing Features as User-Centric Privacy Defenses Against Large Language Model(LLM) Based Emotion Inference Attacks

投稿日: 2025年2月11日 作成者: jarxiv

要約 仮想アシスタント、ビデオ会議プラットフォーム、ウェアラブルデバイスなどの音 … 続きを読む →

カテゴリー: cs.AI, cs.CR, cs.LG, cs.SD, eess.AS | コメントする

Learning Musical Representations for Music Performance Question Answering

投稿日: 2025年2月11日 作成者: jarxiv

要約 音楽パフォーマンスは、視聴覚モデリングの代表的なシナリオです。 まばらなオ … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | コメントする

CleanUMamba: A Compact Mamba Network for Speech Denoising using Channel Pruning

投稿日: 2025年2月11日 作成者: jarxiv

要約 このペーパーでは、生の波形に直接適用されるリアルタイムの因果オーディオ除去 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.SD, eess.AS | コメントする

Meta Audiobox Aesthetics: Unified Automatic Quality Assessment for Speech, Music, and Sound

投稿日: 2025年2月10日 作成者: jarxiv

要約 オーディオ美学の定量化は、主にその主観的な性質のために、人間の認識と文化的 … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | コメントする

Evaluating Standard and Dialectal Frisian ASR: Multilingual Fine-tuning and Language Identification for Improved Low-resource Performance

投稿日: 2025年2月10日 作成者: jarxiv

要約 低リソース言語の自動音声認識（ASR）パフォーマンスは、十分なラベル付きデ … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | コメントする

Latent Swap Joint Diffusion for Long-Form Audio Generation

投稿日: 2025年2月10日 作成者: jarxiv

要約 グローバルビューの拡散または反復生成を使用した長期のオーディオ生成に関する … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM, cs.SD, eess.AS | コメントする

Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis

投稿日: 2025年2月7日 作成者: jarxiv

要約 特にGPTシリーズとO1モデルで、テキストベースの大手言語モデル（LLMS … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.MM, cs.SD, eess.AS | Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis はコメントを受け付けていません

XAttnMark: Learning Robust Audio Watermarking with Cross-Attention

投稿日: 2025年2月7日 作成者: jarxiv

要約 生成オーディオ合成と編集技術の急速な増殖は、著作権侵害、データの起源、およ … 続きを読む →

カテゴリー: cs.AI, cs.CR, cs.LG, cs.SD, eess.AS | XAttnMark: Learning Robust Audio Watermarking with Cross-Attention はコメントを受け付けていません

Ola: Pushing the Frontiers of Omni-Modal Language Model with Progressive Modality Alignment

投稿日: 2025年2月7日 作成者: jarxiv

要約 特にGPT-4Oに続く大規模な言語モデルの最近の進歩により、より多くのモダ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM, cs.SD, eess.AS, eess.IV | Ola: Pushing the Frontiers of Omni-Modal Language Model with Progressive Modality Alignment はコメントを受け付けていません