「eess.AS」カテゴリーアーカイブ

OmniFlatten: An End-to-end GPT Model for Seamless Voice Conversation

投稿日: 2024年10月24日 作成者: jarxiv

要約 全二重音声対話システムは、人間と人間のやりとりを厳密に反映した同時双方向通 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | OmniFlatten: An End-to-end GPT Model for Seamless Voice Conversation はコメントを受け付けていません

ELAICHI: Enhancing Low-resource TTS by Addressing Infrequent and Low-frequency Character Bigrams

投稿日: 2024年10月24日 作成者: jarxiv

要約 Text-to-Speech (TTS) テクノロジーの最近の進歩により、 … 続きを読む →

カテゴリー: cs.CL, eess.AS | ELAICHI: Enhancing Low-resource TTS by Addressing Infrequent and Low-frequency Character Bigrams はコメントを受け付けていません

WavTokenizer: an Efficient Acoustic Discrete Codec Tokenizer for Audio Language Modeling

投稿日: 2024年10月23日 作成者: jarxiv

要約 言語モデルは、画像、ビデオ、音声、オーディオなどの自然信号のモデル化に効果 … 続きを読む →

カテゴリー: cs.LG, cs.MM, cs.SD, eess.AS, eess.SP | WavTokenizer: an Efficient Acoustic Discrete Codec Tokenizer for Audio Language Modeling はコメントを受け付けていません

ControlSpeech: Towards Simultaneous Zero-shot Speaker Cloning and Zero-shot Language Style Control With Decoupled Codec

投稿日: 2024年10月23日 作成者: jarxiv

要約 この論文では、話者の音声を完全に複製し、数秒間の音声プロンプトと単純なテキ … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | ControlSpeech: Towards Simultaneous Zero-shot Speaker Cloning and Zero-shot Language Style Control With Decoupled Codec はコメントを受け付けていません

Moonshine: Speech Recognition for Live Transcription and Voice Commands

投稿日: 2024年10月23日 作成者: jarxiv

要約 このペーパーでは、ライブ文字起こしと音声コマンド処理用に最適化された音声認 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Moonshine: Speech Recognition for Live Transcription and Voice Commands はコメントを受け付けていません

Continuous Speech Tokenizer in Text To Speech

投稿日: 2024年10月23日 作成者: jarxiv

要約 大規模な言語モデルの時代における音声と言語の融合は、大きな注目を集めていま … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Continuous Speech Tokenizer in Text To Speech はコメントを受け付けていません

Audio-to-Score Conversion Model Based on Whisper methodology

投稿日: 2024年10月23日 作成者: jarxiv

要約 この論文では、音楽オーディオからメロディーとコードを抽出し、ABC 記譜法 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Audio-to-Score Conversion Model Based on Whisper methodology はコメントを受け付けていません

Can a Machine Distinguish High and Low Amount of Social Creak in Speech?

投稿日: 2024年10月23日 作成者: jarxiv

要約 目的: 特に女性の話者の間で社交的きしみの有病率が増加していることが、いく … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.SD, eess.AS | Can a Machine Distinguish High and Low Amount of Social Creak in Speech? はコメントを受け付けていません

VoiceBench: Benchmarking LLM-Based Voice Assistants

投稿日: 2024年10月23日 作成者: jarxiv

要約 大規模言語モデル (LLM) の成功に基づいて、GPT-4o などの最近の … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | VoiceBench: Benchmarking LLM-Based Voice Assistants はコメントを受け付けていません

Can Large Audio-Language Models Truly Hear? Tackling Hallucinations with Multi-Task Assessment and Stepwise Audio Reasoning

投稿日: 2024年10月22日 作成者: jarxiv

要約 大規模音声言語モデル (LALM) の最近の進歩により、音声および音声情報 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Can Large Audio-Language Models Truly Hear? Tackling Hallucinations with Multi-Task Assessment and Stepwise Audio Reasoning はコメントを受け付けていません