「eess.AS」カテゴリーアーカイブ

Enhancing Indonesian Automatic Speech Recognition: Evaluating Multilingual Models with Diverse Speech Variabilities

投稿日: 2024年10月14日 作成者: jarxiv

要約 理想的な音声認識モデルは、話し方 (朗読および自発的)、音声コンテキスト … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Enhancing Indonesian Automatic Speech Recognition: Evaluating Multilingual Models with Diverse Speech Variabilities はコメントを受け付けていません

UniGlyph: A Seven-Segment Script for Universal Language Representation

投稿日: 2024年10月14日 作成者: jarxiv

要約 UniGlyph は、7 セグメント文字から派生したスクリプトを使用してユ … 続きを読む →

カテゴリー: 68T01, 68T50, cs.CL, cs.HC, cs.SC, cs.SD, eess.AS, H.5.2 | UniGlyph: A Seven-Segment Script for Universal Language Representation 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10月14日 作成者: jarxiv

要約 柔軟な音声認識ベースのシステムまたは音声プロンプト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

Sylber: Syllabic Embedding Representation of Speech from Raw Audio

投稿日: 2024年10月10日 作成者: jarxiv

要約 音節は、人間の音声の知覚と生成において重要な役割を果たす話し言葉の構成単位 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Sylber: Syllabic Embedding Representation of Speech from Raw Audio はコメントを受け付けていません

CMMD: Contrastive Multi-Modal Diffusion for Video-Audio Conditional Modeling

投稿日: 2024年10月10日 作成者: jarxiv

要約 ビデオとオーディオの双方向の条件付き生成に合わせたマルチモーダル拡散モデル … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | CMMD: Contrastive Multi-Modal Diffusion for Video-Audio Conditional Modeling はコメントを受け付けていません

Presto! Distilling Steps and Layers for Accelerating Music Generation

投稿日: 2024年10月8日 作成者: jarxiv

要約 拡散ベースのテキスト音楽変換 (TTM) 手法は進歩していますが、効率的で … 続きを読む →

カテゴリー: cs.AI, cs.LG, cs.SD, eess.AS | Presto! Distilling Steps and Layers for Accelerating Music Generation はコメントを受け付けていません

Non-Invasive Suicide Risk Prediction Through Speech Analysis

投稿日: 2024年10月8日 作成者: jarxiv

要約 救急部門での専門的な精神医学的評価と自殺傾向のリスクのある患者へのケアへの … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS, I.2 | Non-Invasive Suicide Risk Prediction Through Speech Analysis はコメントを受け付けていません

CTC-GMM: CTC guided modality matching for fast and accurate streaming speech translation

投稿日: 2024年10月8日 作成者: jarxiv

要約 ストリーミング音声翻訳 (ST) のモデルは、ソース言語の音声とターゲット … 続きを読む →

カテゴリー: cs.AI, cs.CL, eess.AS | CTC-GMM: CTC guided modality matching for fast and accurate streaming speech translation はコメントを受け付けていません

Audio-Agent: Leveraging LLMs For Audio Generation, Editing and Composition

投稿日: 2024年10月7日 作成者: jarxiv

要約 テキストやビデオ入力に基づく音声生成、編集、作曲のためのマルチモーダルフレ … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.SD, eess.AS | Audio-Agent: Leveraging LLMs For Audio Generation, Editing and Composition はコメントを受け付けていません

SonicSense: Object Perception from In-Hand Acoustic Vibration

投稿日: 2024年10月4日 作成者: jarxiv

要約 SonicSenseを紹介する。SonicSenseは、ハードウェアとソフ … 続きを読む →

カテゴリー: cs.MM, cs.RO, cs.SD, eess.AS | SonicSense: Object Perception from In-Hand Acoustic Vibration はコメントを受け付けていません