「eess.AS」カテゴリーアーカイブ

Controlling Emotion in Text-to-Speech with Natural Language Prompts

投稿日: 2024年6月11日 作成者: jarxiv

要約 近年、プロンプトは自然言語を直感的に使用できるため、生成機械学習モデルの出 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Controlling Emotion in Text-to-Speech with Natural Language Prompts はコメントを受け付けていません

MOSA: Music Motion with Semantic Annotation Dataset for Cross-Modal Music Processing

投稿日: 2024年6月11日 作成者: jarxiv

要約 クロスモーダル音楽処理では、視覚、聴覚、および意味論的なコンテンツ間の変換 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | MOSA: Music Motion with Semantic Annotation Dataset for Cross-Modal Music Processing はコメントを受け付けていません

Multimodal Contextualized Semantic Parsing from Speech

投稿日: 2024年6月11日 作成者: jarxiv

要約 マルチモーダル入力を以前のコンテキストと統合することで人工エージェントのコ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.HC, cs.LG, cs.SD, eess.AS | Multimodal Contextualized Semantic Parsing from Speech はコメントを受け付けていません

On the social bias of speech self-supervised models

投稿日: 2024年6月10日 作成者: jarxiv

要約 自己教師あり学習 (SSL) 音声モデルは、さまざまなタスクで目覚ましいパ … 続きを読む →

カテゴリー: cs.LG, eess.AS | On the social bias of speech self-supervised models はコメントを受け付けていません

XTTS: a Massively Multilingual Zero-Shot Text-to-Speech Model

投稿日: 2024年6月10日 作成者: jarxiv

要約 ほとんどのゼロショット マルチスピーカー TTS (ZS-TTS) システ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | XTTS: a Massively Multilingual Zero-Shot Text-to-Speech Model はコメントを受け付けていません

LLM-based speaker diarization correction: A generalizable approach

投稿日: 2024年6月10日 作成者: jarxiv

要約 話者ダイアライゼーションは、自動音声認識 (ASR) ツールを使用して書き … 続きを読む →

カテゴリー: cs.CL, eess.AS | LLM-based speaker diarization correction: A generalizable approach はコメントを受け付けていません

AudioSetMix: Enhancing Audio-Language Datasets with LLM-Assisted Augmentations

投稿日: 2024年6月10日 作成者: jarxiv

要約 音声言語領域におけるマルチモーダル学習は、近年大幅な進歩を遂げています。 … 続きを読む →

カテゴリー: cs.CL, cs.MM, cs.SD, eess.AS | AudioSetMix: Enhancing Audio-Language Datasets with LLM-Assisted Augmentations はコメントを受け付けていません

Harder or Different? Understanding Generalization of Audio Deepfake Detection

投稿日: 2024年6月10日 作成者: jarxiv

要約 最近の研究では、音声ディープフェイク検出における重要な問題が明らかになりま … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Harder or Different? Understanding Generalization of Audio Deepfake Detection はコメントを受け付けていません

MA-AVT: Modality Alignment for Parameter-Efficient Audio-Visual Transformers

投稿日: 2024年6月10日 作成者: jarxiv

要約 事前トレーニングされたビジョントランスフォーマーの最近の進歩により、音声の … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | MA-AVT: Modality Alignment for Parameter-Efficient Audio-Visual Transformers はコメントを受け付けていません

Reacting like Humans: Incorporating Intrinsic Human Behaviors into NAO through Sound-Based Reactions to Fearful and Shocking Events for Enhanced Sociability

投稿日: 2024年6月7日 作成者: jarxiv

要約 人間に似た反応を組み込むことで、人間の間でのロボットの受容性と社会性を大幅 … 続きを読む →

カテゴリー: 68T40, cs.AI, cs.LG, cs.RO, cs.SD, eess.AS, eess.IV | Reacting like Humans: Incorporating Intrinsic Human Behaviors into NAO through Sound-Based Reactions to Fearful and Shocking Events for Enhanced Sociability はコメントを受け付けていません