「eess.AS」カテゴリーアーカイブ

MuPT: A Generative Symbolic Music Pretrained Transformer

投稿日: 2024年11月6日 作成者: jarxiv

要約 この論文では、音楽の事前トレーニングへの大規模言語モデル (LLM) の適 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | MuPT: A Generative Symbolic Music Pretrained Transformer はコメントを受け付けていません

emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography

投稿日: 2024年11月5日 作成者: jarxiv

要約 表面筋電図 (sEMG) は、筋肉の活動によって生成される信号を、個々の脊 … 続きを読む →

カテゴリー: cs.HC, cs.LG, eess.AS, H.1.2 | emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography はコメントを受け付けていません

Optimizing Contextual Speech Recognition Using Vector Quantization for Efficient Retrieval

投稿日: 2024年11月5日 作成者: jarxiv

要約 ニューラル コンテキスト バイアスにより、音声認識モデルがコンテキストに関 … 続きを読む →

カテゴリー: cs.CL, eess.AS | Optimizing Contextual Speech Recognition Using Vector Quantization for Efficient Retrieval はコメントを受け付けていません

3D Audio-Visual Segmentation

投稿日: 2024年11月5日 作成者: jarxiv

要約 シーン中の発音体を認識することは、具現化AIにおける長年の課題であり、ロボ … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | 3D Audio-Visual Segmentation はコメントを受け付けていません

Lightweight Transducer Based on Frame-Level Criterion

投稿日: 2024年11月4日 作成者: jarxiv

要約 シーケンスレベルの基準に基づいて学習されたトランスデューサモデルは、大きな … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Lightweight Transducer Based on Frame-Level Criterion はコメントを受け付けていません

Generative Pre-trained Speech Language Model with Efficient Hierarchical Transformer

投稿日: 2024年11月4日 作成者: jarxiv

要約 近年の音声言語モデルの進歩は著しいが、ニューラルオーディオコーデックの長い … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Generative Pre-trained Speech Language Model with Efficient Hierarchical Transformer はコメントを受け付けていません

Conditional GAN for Enhancing Diffusion Models in Efficient and Authentic Global Gesture Generation from Audios

投稿日: 2024年11月4日 作成者: jarxiv

要約 音声による同時ジェスチャー生成は、人間とコンピュータのコミュニケーション、 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.GR, cs.SD, eess.AS | Conditional GAN for Enhancing Diffusion Models in Efficient and Authentic Global Gesture Generation from Audios はコメントを受け付けていません

Speech is More Than Words: Do Speech-to-Text Translation Systems Leverage Prosody?

投稿日: 2024年11月1日 作成者: jarxiv

要約 強勢、イントネーション、リズムなどの特徴を含む、話し言葉の韻律は、基礎とな … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Speech is More Than Words: Do Speech-to-Text Translation Systems Leverage Prosody? はコメントを受け付けていません

DC-Spin: A Speaker-invariant Speech Tokenizer for Spoken Language Models

投稿日: 2024年11月1日 作成者: jarxiv

要約 音声言語モデル (SLM) は、テキストベースのデコーダのみの言語モデルの … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | DC-Spin: A Speaker-invariant Speech Tokenizer for Spoken Language Models はコメントを受け付けていません

Aligning Audio-Visual Joint Representations with an Agentic Workflow

投稿日: 2024年11月1日 作成者: jarxiv

要約 ビジュアル コンテンツと付随するオーディオ信号は、オーディオビジュアル ( … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | Aligning Audio-Visual Joint Representations with an Agentic Workflow はコメントを受け付けていません