「eess.AS」カテゴリーアーカイブ

Towards Maximum Likelihood Training for Transducer-based Streaming Speech Recognition

投稿日: 2024年11月27日 作成者: jarxiv

要約 トランスデューサー ニューラル ネットワークは、ストリーミング自動音声認識 … 続きを読む →

カテゴリー: cs.LG, eess.AS | Towards Maximum Likelihood Training for Transducer-based Streaming Speech Recognition はコメントを受け付けていません

Learning Spatially-Aware Language and Audio Embeddings

投稿日: 2024年11月27日 作成者: jarxiv

要約 人間は、不正確な自然言語記述が与えられたとしても、音のシーンを思い描くこと … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Learning Spatially-Aware Language and Audio Embeddings はコメントを受け付けていません

WavChat: A Survey of Spoken Dialogue Models

投稿日: 2024年11月27日 作成者: jarxiv

要約 GPT-4o などのシステムに代表される音声対話モデルの最近の進歩は、音声 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.MM, cs.SD, eess.AS | WavChat: A Survey of Spoken Dialogue Models はコメントを受け付けていません

The ParlaSpeech Collection of Automatically Generated Speech and Text Datasets from Parliamentary Proceedings

投稿日: 2024年11月27日 作成者: jarxiv

要約 音声および言語テクノロジにおける最近の大幅な改善は、生の言語データに対する … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | The ParlaSpeech Collection of Automatically Generated Speech and Text Datasets from Parliamentary Proceedings はコメントを受け付けていません

Scaling Speech-Text Pre-training with Synthetic Interleaved Data

投稿日: 2024年11月27日 作成者: jarxiv

要約 音声言語モデル (SpeechLM) は、音声入力を受け入れて音声出力を生 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Scaling Speech-Text Pre-training with Synthetic Interleaved Data はコメントを受け付けていません

Automatic Album Sequencing

投稿日: 2024年11月27日 作成者: jarxiv

要約 アルバムの順序付けは、アルバム制作プロセスの重要な部分です。 最近、コレク … 続きを読む →

カテゴリー: 68T07, cs.AI, cs.CL, cs.LG, cs.MM, cs.SD, eess.AS, I.2.6 | Automatic Album Sequencing はコメントを受け付けていません

DeltaKWS: A 65nm 36nJ/Decision Bio-inspired Temporal-Sparsity-Aware Digital Keyword Spotting IC with 0.6V Near-Threshold SRAM

投稿日: 2024年11月27日 作成者: jarxiv

要約 この文書では、私たちの知る限り、音声制御デバイス向けの $\Delta$R … 続きを読む →

カテゴリー: cs.AR, cs.CV, cs.SD, eess.AS | DeltaKWS: A 65nm 36nJ/Decision Bio-inspired Temporal-Sparsity-Aware Digital Keyword Spotting IC with 0.6V Near-Threshold SRAM はコメントを受け付けていません

Visatronic: A Multimodal Decoder-Only Model for Speech Synthesis

投稿日: 2024年11月27日 作成者: jarxiv

要約 この論文では、マルチモーダル音声生成のための新しい技術を動機付けるために、 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Visatronic: A Multimodal Decoder-Only Model for Speech Synthesis はコメントを受け付けていません

Video-Guided Foley Sound Generation with Multimodal Controls

投稿日: 2024年11月27日 作成者: jarxiv

要約 ビデオのサウンド エフェクトを生成するには、多くの場合、現実のソースから大 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Video-Guided Foley Sound Generation with Multimodal Controls はコメントを受け付けていません

DAIRHuM: A Platform for Directly Aligning AI Representations with Human Musical Judgments applied to Carnatic Music

投稿日: 2024年11月25日 作成者: jarxiv

要約 音楽 AI モデルの表現を定量化し、人間の行動と一致させることは、MIR … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | DAIRHuM: A Platform for Directly Aligning AI Representations with Human Musical Judgments applied to Carnatic Music はコメントを受け付けていません