「eess.AS」カテゴリーアーカイブ

GigaST: A 10,000-hour Pseudo Speech Translation Corpus

投稿日: 2023年6月7日 作成者: jarxiv

要約 本稿では、大規模な擬似音声翻訳（ST）コーパスであるGigaSTを紹介しま … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | GigaST: A 10,000-hour Pseudo Speech Translation Corpus はコメントを受け付けていません

MERT: Acoustic Music Understanding Model with Large-Scale Self-supervised Training

投稿日: 2023年6月7日 作成者: jarxiv

要約 自己教師あり学習 (SSL) は、視覚、テキスト、および音声の分野の大規模 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | MERT: Acoustic Music Understanding Model with Large-Scale Self-supervised Training はコメントを受け付けていません

Video-LLaMA: An Instruction-tuned Audio-Visual Language Model for Video Understanding

投稿日: 2023年6月7日 作成者: jarxiv

要約 私たちは、大規模言語モデル (LLM) にビデオ内の視覚コンテンツと聴覚コ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.SD, eess.AS | Video-LLaMA: An Instruction-tuned Audio-Visual Language Model for Video Understanding はコメントを受け付けていません

Simultaneous or Sequential Training? How Speech Representations Cooperate in a Multi-Task Self-Supervised Learning System

投稿日: 2023年6月6日 作成者: jarxiv

要約 自己教師ありアルゴリズムによる音声表現学習により、多くの下流タスクのパフォ … 続きを読む →

カテゴリー: cs.LG, eess.AS | Simultaneous or Sequential Training? How Speech Representations Cooperate in a Multi-Task Self-Supervised Learning System はコメントを受け付けていません

On the Behavior of Intrusive and Non-intrusive Speech Enhancement Metrics in Predictive and Generative Settings

投稿日: 2023年6月6日 作成者: jarxiv

要約 ディープスピーチエンハンスメントの分野は、その誕生以来、スペクトル マッピ … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | On the Behavior of Intrusive and Non-intrusive Speech Enhancement Metrics in Predictive and Generative Settings はコメントを受け付けていません

Multiple output samples for each input in a single-output Gaussian process

投稿日: 2023年6月6日 作成者: jarxiv

要約 標準のガウス プロセス (GP) では、トレーニング セット内の入力ごとに … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Multiple output samples for each input in a single-output Gaussian process はコメントを受け付けていません

Pre-training for Speech Translation: CTC Meets Optimal Transport

投稿日: 2023年6月6日 作成者: jarxiv

要約 音声とテキストのモダリティ間のギャップは、音声からテキストへの翻訳 (ST … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Pre-training for Speech Translation: CTC Meets Optimal Transport はコメントを受け付けていません

N-Shot Benchmarking of Whisper on Diverse Arabic Speech Recognition

投稿日: 2023年6月6日 作成者: jarxiv

要約 最近開発された多言語の弱教師モデルである Whisper は、単言語設定と … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | N-Shot Benchmarking of Whisper on Diverse Arabic Speech Recognition はコメントを受け付けていません

PolyVoice: Language Models for Speech to Speech Translation

投稿日: 2023年6月6日 作成者: jarxiv

要約 私たちは、言語モデルベースの音声翻訳 (S2ST) システムのフレームワー … 続きを読む →

カテゴリー: cs.CL, eess.AS | PolyVoice: Language Models for Speech to Speech Translation はコメントを受け付けていません

Video-LLaMA: An Instruction-tuned Audio-Visual Language Model for Video Understanding

投稿日: 2023年6月6日 作成者: jarxiv

要約 Video-LLaMAは、Large Language Models（LL … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.SD, eess.AS | Video-LLaMA: An Instruction-tuned Audio-Visual Language Model for Video Understanding はコメントを受け付けていません