「eess.AS」カテゴリーアーカイブ

Whisper-Flamingo: Integrating Visual Features into Whisper for Audio-Visual Speech Recognition and Translation

投稿日: 2024年6月17日 作成者: jarxiv

要約 Audio-Visual Speech Recognition (AVSR … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | Whisper-Flamingo: Integrating Visual Features into Whisper for Audio-Visual Speech Recognition and Translation はコメントを受け付けていません

LASER: Learning by Aligning Self-supervised Representations of Speech for Improving Content-related Tasks

投稿日: 2024年6月14日 作成者: jarxiv

要約 自己教師あり学習 (SSL) ベースの音声モデルは、フルスタックの音声処理 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | LASER: Learning by Aligning Self-supervised Representations of Speech for Improving Content-related Tasks はコメントを受け付けていません

Diffusion Gaussian Mixture Audio Denoise

投稿日: 2024年6月14日 作成者: jarxiv

要約 最近の拡散モデルは、オーディオのノイズ除去タスクにおいて有望なパフォーマン … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Diffusion Gaussian Mixture Audio Denoise はコメントを受け付けていません

End-to-end Streaming model for Low-Latency Speech Anonymization

投稿日: 2024年6月14日 作成者: jarxiv

要約 話者の匿名化は、言語コンテンツを保持しながら話者の身元を示す手がかりを隠す … 続きを読む →

カテゴリー: cs.CL, cs.LG, eess.AS | End-to-end Streaming model for Low-Latency Speech Anonymization はコメントを受け付けていません

On the Effects of Heterogeneous Data Sources on Speech-to-Text Foundation Models

投稿日: 2024年6月14日 作成者: jarxiv

要約 Open Whisper-style Speech Model (OWSM … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | On the Effects of Heterogeneous Data Sources on Speech-to-Text Foundation Models はコメントを受け付けていません

Exploring Spoken Language Identification Strategies for Automatic Transcription of Multilingual Broadcast and Institutional Speech

投稿日: 2024年6月14日 作成者: jarxiv

要約 この論文では、音声言語識別 (SLI) と、多言語放送および組織内での音声 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Exploring Spoken Language Identification Strategies for Automatic Transcription of Multilingual Broadcast and Institutional Speech はコメントを受け付けていません

DiscreteSLU: A Large Language Model with Self-Supervised Discrete Speech Units for Spoken Language Understanding

投稿日: 2024年6月14日 作成者: jarxiv

要約 事前トレーニングされたテキストベースの大規模言語モデル (LLM) と音声 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | DiscreteSLU: A Large Language Model with Self-Supervised Discrete Speech Units for Spoken Language Understanding はコメントを受け付けていません

Action2Sound: Ambient-Aware Generation of Action Sounds from Egocentric Videos

投稿日: 2024年6月14日 作成者: jarxiv

要約 人間の対話のためのリアルなオーディオを生成することは、映画や仮想現実ゲーム … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.SD, eess.AS | Action2Sound: Ambient-Aware Generation of Action Sounds from Egocentric Videos はコメントを受け付けていません

PianoMotion10M: Dataset and Benchmark for Hand Motion Generation in Piano Performance

投稿日: 2024年6月14日 作成者: jarxiv

要約 近年、教育における人工知能技術への注目が高まっていますが、効果的な楽器指導 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM, cs.SD, eess.AS | PianoMotion10M: Dataset and Benchmark for Hand Motion Generation in Piano Performance はコメントを受け付けていません

Broadband MEMS Microphone Arrays with Reduced Aperture Through 3D-Printed Waveguides

投稿日: 2024年6月13日 作成者: jarxiv

要約 この論文では、ビームフォーミング技術を使用する際に、超音波 MEMS マイ … 続きを読む →

カテゴリー: cs.RO, cs.SD, cs.SY, eess.AS, eess.SY | Broadband MEMS Microphone Arrays with Reduced Aperture Through 3D-Printed Waveguides はコメントを受け付けていません