「eess.AS」カテゴリーアーカイブ

Zero-shot Musical Stem Retrieval with Joint-Embedding Predictive Architectures

投稿日: 2025年2月25日 作成者: jarxiv

要約 この論文では、音楽のSTEMの回復のタスクに取り組みます。 ミュージカルミ … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Zero-shot Musical Stem Retrieval with Joint-Embedding Predictive Architectures はコメントを受け付けていません

Low-Rank and Sparse Model Merging for Multi-Lingual Speech Recognition and Translation

投稿日: 2025年2月25日 作成者: jarxiv

要約 言語の多様性は、自動音声認識や翻訳など、音声からテキスト（S2T）タスクに … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Low-Rank and Sparse Model Merging for Multi-Lingual Speech Recognition and Translation はコメントを受け付けていません

Vibravox: A Dataset of French Speech Captured with Body-conduction Audio Sensors

投稿日: 2025年2月24日 作成者: jarxiv

要約 Vibravoxは、5つの異なる体伝導オーディオセンサーを使用したオーディ … 続きを読む →

カテゴリー: cs.LG, eess.AS | Vibravox: A Dataset of French Speech Captured with Body-conduction Audio Sensors はコメントを受け付けていません

Reverb: Open-Source ASR and Diarization from Rev

投稿日: 2025年2月24日 作成者: jarxiv

要約 今日、私たちは非営利的な使用のためのコア音声認識とダイアリ化化モデルをオー … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Reverb: Open-Source ASR and Diarization from Rev はコメントを受け付けていません

Everyday Speech in the Indian Subcontinent

投稿日: 2025年2月24日 作成者: jarxiv

要約 インドには1369の言語があり、そのうち22は公式です。 これらの言語を表 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS, I.2.7 | Everyday Speech in the Indian Subcontinent はコメントを受け付けていません

KAD: No More FAD! An Effective and Efficient Evaluation Metric for Audio Generation

投稿日: 2025年2月24日 作成者: jarxiv

要約 生成されたオーディオ信号の評価に広く採用されていますが、FR \ &#82 … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | KAD: No More FAD! An Effective and Efficient Evaluation Metric for Audio Generation はコメントを受け付けていません

WavRAG: Audio-Integrated Retrieval Augmented Generation for Spoken Dialogue Models

投稿日: 2025年2月21日 作成者: jarxiv

要約 検索拡張生成（RAG）は、大規模な言語モデル（LLM）に外部知識を統合でき … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | WavRAG: Audio-Integrated Retrieval Augmented Generation for Spoken Dialogue Models はコメントを受け付けていません

Multimodal Emotion Recognition using Audio-Video Transformer Fusion with Cross Attention

投稿日: 2025年2月20日 作成者: jarxiv

要約 感情を理解することは、人間のコミュニケーションの基本的な側面です。 オーデ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM, cs.SD, eess.AS, F.2.2 | Multimodal Emotion Recognition using Audio-Video Transformer Fusion with Cross Attention はコメントを受け付けていません

DiTTo-TTS: Diffusion Transformers for Scalable Text-to-Speech without Domain-Specific Factors

投稿日: 2025年2月18日 作成者: jarxiv

要約 大規模な潜在的拡散モデル（LDMS）は、さまざまなモダリティのコンテンツ生 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | DiTTo-TTS: Diffusion Transformers for Scalable Text-to-Speech without Domain-Specific Factors はコメントを受け付けていません

Improving Acoustic Side-Channel Attacks on Keyboards Using Transformers and Large Language Models

投稿日: 2025年2月18日 作成者: jarxiv

要約 日常のデバイスにおけるマイクの増加の有病率とオンラインサービスへの依存度の … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, eess.AS | Improving Acoustic Side-Channel Attacks on Keyboards Using Transformers and Large Language Models はコメントを受け付けていません