eess.AS」カテゴリーアーカイブ

ESPnet-SDS: Unified Toolkit and Demo for Spoken Dialogue Systems

要約 Audio Foundation Models(FMS)の進歩は、エンドツ … 続きを読む

カテゴリー: cs.CL, cs.SD, eess.AS | ESPnet-SDS: Unified Toolkit and Demo for Spoken Dialogue Systems はコメントを受け付けていません

Mellow: a small audio language model for reasoning

要約 マルチモーダルオーディオ言語モデル(ALMS)は、オーディオとテキストの両 … 続きを読む

カテゴリー: cs.AI, cs.SD, eess.AS | Mellow: a small audio language model for reasoning はコメントを受け付けていません

YuE: Scaling Open Foundation Models for Long-Form Music Generation

要約 LLAMA2アーキテクチャに基づいたオープンファンデーションモデルのファミ … 続きを読む

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | YuE: Scaling Open Foundation Models for Long-Form Music Generation はコメントを受け付けていません

Video-to-Audio Generation with Hidden Alignment

要約 ビデオ入力に従って意味的および一時的に整列したオーディオコンテンツを生成す … 続きを読む

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Video-to-Audio Generation with Hidden Alignment はコメントを受け付けていません

Building English ASR model with regional language support

要約 この論文では、英語でのパフォーマンスを損なうことなく、ヒンディー語のクエリ … 続きを読む

カテゴリー: cs.CL, eess.AS | Building English ASR model with regional language support はコメントを受け付けていません

Score-informed Music Source Separation: Improving Synthetic-to-real Generalization in Classical Music

要約 音楽ソースの分離は、楽器の混合物を構成トラックに分離するタスクです。 音楽 … 続きを読む

カテゴリー: cs.LG, cs.SD, eess.AS | Score-informed Music Source Separation: Improving Synthetic-to-real Generalization in Classical Music はコメントを受け付けていません

Linguistic Knowledge Transfer Learning for Speech Enhancement

要約 言語の知識は、話し言葉の理解において重要な役割を果たします。 騒々しい環境 … 続きを読む

カテゴリー: cs.CL, eess.AS | Linguistic Knowledge Transfer Learning for Speech Enhancement はコメントを受け付けていません

Full-Duplex-Bench: A Benchmark to Evaluate Full-duplex Spoken Dialogue Models on Turn-taking Capabilities

要約 話しかけられた対話モデリングは、テキストベースの言語モデリングを超えた独自 … 続きを読む

カテゴリー: cs.CL, eess.AS | Full-Duplex-Bench: A Benchmark to Evaluate Full-duplex Spoken Dialogue Models on Turn-taking Capabilities はコメントを受け付けていません

Self-Supervised Models for Phoneme Recognition: Applications in Children’s Speech for Reading Learning

要約 子どもの音声認識は、データの不足(特に英語以外の言語)とこのタスクの具体的 … 続きを読む

カテゴリー: cs.AI, cs.SD, eess.AS | Self-Supervised Models for Phoneme Recognition: Applications in Children’s Speech for Reading Learning はコメントを受け付けていません

Scaling Rich Style-Prompted Text-to-Speech Datasets

要約 豊かなスタイルのキャプションでスピーチの発話を注釈する大規模なデータセット … 続きを読む

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | Scaling Rich Style-Prompted Text-to-Speech Datasets はコメントを受け付けていません