「eess.AS」カテゴリーアーカイブ

Multilingual DistilWhisper: Efficient Distillation of Multi-task Speech Models via Language-Specific Experts

投稿日: 2024年3月13日 作成者: jarxiv

要約 Whisper は、99 言語をカバーするマルチタスクおよび多言語音声モデ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Multilingual DistilWhisper: Efficient Distillation of Multi-task Speech Models via Language-Specific Experts はコメントを受け付けていません

Spectrogram-Based Detection of Auto-Tuned Vocals in Music Recordings

投稿日: 2024年3月11日 作成者: jarxiv

要約 音楽制作とオーディオ処理の分野では、オートチューンとしても知られる歌声の自 … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | Spectrogram-Based Detection of Auto-Tuned Vocals in Music Recordings はコメントを受け付けていません

Align With Purpose: Optimize Desired Properties in CTC Models with a General Plug-and-Play Framework

投稿日: 2024年3月8日 作成者: jarxiv

要約 コネクショニスト時間分類 (CTC) は、教師ありシーケンスツーシーケンス … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Align With Purpose: Optimize Desired Properties in CTC Models with a General Plug-and-Play Framework はコメントを受け付けていません

Audio-Visual Person Verification based on Recursive Fusion of Joint Cross-Attention

投稿日: 2024年3月8日 作成者: jarxiv

要約 顔と声が互いに密接に関連しているため、視聴覚融合を使用した個人または身元確 … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | Audio-Visual Person Verification based on Recursive Fusion of Joint Cross-Attention はコメントを受け付けていません

Dynamic Cross Attention for Audio-Visual Person Verification

投稿日: 2024年3月8日 作成者: jarxiv

要約 個人または身元の検証は、主に顔や音声などの個別のモダリティを使用して研究さ … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.SD, eess.AS | Dynamic Cross Attention for Audio-Visual Person Verification はコメントを受け付けていません

NeuroVoz: a Castillian Spanish corpus of parkinsonian speech

投稿日: 2024年3月7日 作成者: jarxiv

要約 音声分析によるパーキンソン病（PD）診断の進歩は、公的に利用可能な多様な言 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | NeuroVoz: a Castillian Spanish corpus of parkinsonian speech はコメントを受け付けていません

Single-Channel Robot Ego-Speech Filtering during Human-Robot Interaction

投稿日: 2024年3月6日 作成者: jarxiv

要約 この論文では、人間の音声がソーシャル ロボットである Pepper の声や … 続きを読む →

カテゴリー: cs.HC, cs.RO, cs.SD, eess.AS, I.2.9 | Single-Channel Robot Ego-Speech Filtering during Human-Robot Interaction はコメントを受け付けていません

Zipformer: A faster and better encoder for automatic speech recognition

投稿日: 2024年3月6日 作成者: jarxiv

要約 Conformer は、自動音声認識 (ASR) 用の最も人気のあるエンコ … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Zipformer: A faster and better encoder for automatic speech recognition はコメントを受け付けていません

AIx Speed: Playback Speed Optimization Using Listening Comprehension of Speech Recognition Models

投稿日: 2024年3月6日 作成者: jarxiv

要約 人間は実際に観察されるよりも速い速度でオーディオを聞いたりビデオを見たりで … 続きを読む →

カテゴリー: cs.CL, cs.HC, cs.LG, cs.SD, eess.AS | AIx Speed: Playback Speed Optimization Using Listening Comprehension of Speech Recognition Models はコメントを受け付けていません

NaturalSpeech 3: Zero-Shot Speech Synthesis with Factorized Codec and Diffusion Models

投稿日: 2024年3月6日 作成者: jarxiv

要約 最近の大規模な音声合成 (TTS) モデルは大幅な進歩を遂げていますが、音 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | NaturalSpeech 3: Zero-Shot Speech Synthesis with Factorized Codec and Diffusion Models はコメントを受け付けていません