「eess.AS」カテゴリーアーカイブ

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

NaturalL2S: End-to-End High-quality Multispeaker Lip-to-Speech Synthesis with Differential Digital Signal Processing

投稿日: 2025年2月18日 作成者: jarxiv

要約 視覚音声認識（VSR）の最近の進歩は、唇からスピーチの合成の進歩を促進しま … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | NaturalL2S: End-to-End High-quality Multispeaker Lip-to-Speech Synthesis with Differential Digital Signal Processing はコメントを受け付けていません

DiTAR: Diffusion Transformer Autoregressive Modeling for Speech Generation

投稿日: 2025年2月17日 作成者: jarxiv

要約 いくつかの最近の研究では、拡散モデルと自己回帰モデルを組み合わせることによ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | DiTAR: Diffusion Transformer Autoregressive Modeling for Speech Generation はコメントを受け付けていません

MTLM: an Innovative Language Model Training Paradigm for ASR

投稿日: 2025年2月17日 作成者: jarxiv

要約 大量のテキストでのトレーニング前の変圧器ベースの言語モデル（LMS）は、自 … 続きを読む →

カテゴリー: cs.CL, eess.AS | MTLM: an Innovative Language Model Training Paradigm for ASR はコメントを受け付けていません

OWLS: Scaling Laws for Multilingual Speech Recognition and Translation Models

投稿日: 2025年2月17日 作成者: jarxiv

要約 ニューラルスケーリング法則は、堅牢なシーケンス処理アーキテクチャを設計する … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, eess.AS | OWLS: Scaling Laws for Multilingual Speech Recognition and Translation Models 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13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

Towards Efficient and Multifaceted Computer-assisted Pronunciation Training Leveraging Hierarchical Selective State Space Model and Decoupled Cross-entropy Loss

投稿日: 2025年2月12日 作成者: jarxiv

要約 コンピューター支援発音トレーニング（CAPT）システムの構築における事前の … 続きを読む →

カテゴリー: cs.CL, eess.AS | Towards Efficient and Multifaceted Computer-assisted Pronunciation Training Leveraging Hierarchical Selective State Space Model and Decoupled Cross-entropy Loss はコメントを受け付けていません

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 | mWhisper-Flamingo for Multilingual Audio-Visual Noise-Robust Speech Recognition はコメントを受け付けていません