「eess.AS」カテゴリーアーカイブ

Do Prompts Really Prompt? Exploring the Prompt Understanding Capability of Whisper

投稿日: 2024年7月10日 作成者: jarxiv

要約 この研究では、プロンプトの情報が高性能音声認識モデル Whisper とど … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Do Prompts Really Prompt? Exploring the Prompt Understanding Capability of Whisper はコメントを受け付けていません

Proceedings of The second international workshop on eXplainable AI for the Arts (XAIxArts)

投稿日: 2024年7月10日 作成者: jarxiv

要約 Explainable AI for the Arts (XAIxArts … 続きを読む →

カテゴリー: cs.AI, cs.HC, cs.MM, cs.SD, eess.AS | Proceedings of The second international workshop on eXplainable AI for the Arts (XAIxArts) はコメントを受け付けていません

Frieren: Efficient Video-to-Audio Generation with Rectified Flow Matching

投稿日: 2024年7月10日 作成者: jarxiv

要約 ビデオ – オーディオ (V2A) 生成は、サイレント ビデオ … 続きを読む →

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

Towards Multimodal Prediction of Spontaneous Humour: A Novel Dataset and First Results

投稿日: 2024年7月9日 作成者: jarxiv

要約 ユーモアは人間の社会的行動、感情、認知の重要な要素です。 その自動理解によ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | Towards Multimodal Prediction of Spontaneous Humour: A Novel Dataset and First Results はコメントを受け付けていません

Multitaper mel-spectrograms for keyword spotting

投稿日: 2024年7月8日 作成者: jarxiv

要約 キーワードスポッティング（KWS）は、特徴表現の品質に最も敏感な音声認識タ … 続きを読む →

カテゴリー: cs.LG, eess.AS | Multitaper mel-spectrograms for keyword spotting はコメントを受け付けていません

Romanization Encoding For Multilingual ASR

投稿日: 2024年7月8日 作成者: jarxiv

要約 多言語およびコードスイッチング自動音声認識(ASR)システムを最適化するた … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Romanization Encoding For Multilingual ASR はコメントを受け付けていません

TokenVerse: Unifying Speech and NLP Tasks via Transducer-based ASR

投稿日: 2024年7月8日 作成者: jarxiv

要約 従来の音声からの会話インテリジェンスでは、カスケード・パイプラインが使用さ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | TokenVerse: Unifying Speech and NLP Tasks via Transducer-based ASR はコメントを受け付けていません

Controlling Whisper: Universal Acoustic Adversarial Attacks to Control Speech Foundation Models

投稿日: 2024年7月8日 作成者: jarxiv

要約 音声認識ベースの柔軟なシステムや、音声プロンプト付きの大規模言語モデル（L … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Controlling Whisper: Universal Acoustic Adversarial Attacks to Control Speech Foundation Models はコメントを受け付けていません

Performance Analysis of Speech Encoders for Low-Resource SLU and ASR in Tunisian Dialect

投稿日: 2024年7月8日 作成者: jarxiv

要約 自己教師あり学習(SSL)によって事前に学習された音声エンコーダは、音声言 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Performance Analysis of Speech Encoders for Low-Resource SLU and ASR in Tunisian Dialect はコメントを受け付けていません

Written Term Detection Improves Spoken Term Detection

投稿日: 2024年7月8日 作成者: jarxiv

要約 キーワード検索（KWS）に対するエンドツーエンド（E2E）アプローチは、自 … 続きを読む →

カテゴリー: cs.CL, eess.AS | Written Term Detection Improves Spoken Term Detection はコメントを受け付けていません