「eess.AS」カテゴリーアーカイブ

An approach to optimize inference of the DIART speaker diarization pipeline

投稿日: 2024年8月6日 作成者: jarxiv

要約 話者ダイアライゼーションは、音声ファイルについて「誰がいつ話したか」という … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | An approach to optimize inference of the DIART speaker diarization pipeline はコメントを受け付けていません

Clustering and Mining Accented Speech for Inclusive and Fair Speech Recognition

投稿日: 2024年8月6日 作成者: jarxiv

要約 最新の自動音声認識 (ASR) システムは通常、数万時間以上の音声データに … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Clustering and Mining Accented Speech for Inclusive and Fair Speech Recognition はコメントを受け付けていません

Language Model Can Listen While Speaking

投稿日: 2024年8月6日 作成者: jarxiv

要約 対話は、人間とコンピューターの対話 (HCI) の最も自然な方法として機能 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.HC, cs.SD, eess.AS | Language Model Can Listen While Speaking はコメントを受け付けていません

MuChoMusic: Evaluating Music Understanding in Multimodal Audio-Language Models

投稿日: 2024年8月5日 作成者: jarxiv

要約 音声と言語を共同で処理するマルチモーダルモデルは、音声理解において大きな可 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.MM, cs.SD, eess.AS | MuChoMusic: Evaluating Music Understanding in Multimodal Audio-Language Models はコメントを受け付けていません

Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework

投稿日: 2024年8月5日 作成者: jarxiv

要約 一般化ゼロショット学習(GZSL)は、見たクラスと見たことのないクラスの両 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS, eess.IV | Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework はコメントを受け付けていません

ChordSync: Conformer-Based Alignment of Chord Annotations to Music Audio

投稿日: 2024年8月4日 作成者: jarxiv

要約 西洋音楽の伝統において、和音は和声の主要な構成要素であり、音楽の基本的な側 … 続きを読む →

カテゴリー: 68P20, cs.LG, cs.MM, cs.SD, eess.AS, I.2.6 | ChordSync: Conformer-Based Alignment of Chord Annotations to Music Audio はコメントを受け付けていません

Bailing-TTS: Chinese Dialectal Speech Synthesis Towards Human-like Spontaneous Representation

投稿日: 2024年8月4日 作成者: jarxiv

要約 近年、大規模音声合成（TTS）モデルは大きな進歩を遂げているが、中国語の方 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Bailing-TTS: Chinese Dialectal Speech Synthesis Towards Human-like Spontaneous Representation はコメントを受け付けていません

SynesLM: A Unified Approach for Audio-visual Speech Recognition and Translation via Language Model and Synthetic Data

投稿日: 2024年8月4日 作成者: jarxiv

要約 本論文では、3つのマルチモーダル言語理解タスク、AV-ASR（視聴覚自動音 … 続きを読む →

カテゴリー: cs.CL, cs.CV, eess.AS | SynesLM: A Unified Approach for Audio-visual Speech Recognition and Translation via Language Model and Synthetic Data はコメントを受け付けていません

YourMT3+: Multi-instrument Music Transcription with Enhanced Transformer Architectures and Cross-dataset Stem Augmentation

投稿日: 2024年8月2日 作成者: jarxiv

要約 マルチ楽器音楽転写は、ポリフォニック音楽録音を各楽器に割り当てられた楽譜に … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | YourMT3+: Multi-instrument Music Transcription with Enhanced Transformer Architectures and Cross-dataset Stem Augmentation はコメントを受け付けていません

Psychoacoustic Challenges Of Speech Enhancement On VoIP Platforms

投稿日: 2024年8月2日 作成者: jarxiv

要約 VoIP (Voice over Internet Protocol) 通 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Psychoacoustic Challenges Of Speech Enhancement On VoIP Platforms はコメントを受け付けていません