「eess.AS」カテゴリーアーカイブ

Pronunciation Assessment with Multi-modal Large Language Models

投稿日: 2024年7月19日 作成者: jarxiv

要約 大規模言語モデル (LLM) は、強力な会話能力で知られ、教育分野、特に言 … 続きを読む →

カテゴリー: cs.CL, eess.AS | Pronunciation Assessment with Multi-modal Large Language Models はコメントを受け付けていません

Spontaneous Style Text-to-Speech Synthesis with Controllable Spontaneous Behaviors Based on Language Models

投稿日: 2024年7月19日 作成者: jarxiv

要約 人間のような音声を生成することを目的とした自発的なスタイルの音声合成は、高 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Spontaneous Style Text-to-Speech Synthesis with Controllable Spontaneous Behaviors Based on Language Models はコメントを受け付けていません

Open-Source Conversational AI with SpeechBrain 1.0

投稿日: 2024年7月19日 作成者: jarxiv

要約 SpeechBrain は、PyTorch に基づくオープンソースの会話 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.HC, cs.LG, eess.AS | Open-Source Conversational AI with SpeechBrain 1.0 はコメントを受け付けていません

Aligning Sight and Sound: Advanced Sound Source Localization Through Audio-Visual Alignment

投稿日: 2024年7月19日 作成者: jarxiv

要約 学習ベースの音源定位に関する最近の研究は、主に定位パフォーマンスの観点に焦 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Aligning Sight and Sound: Advanced Sound Source Localization Through Audio-Visual Alignment はコメントを受け付けていません

Muting Whisper: A Universal Acoustic Adversarial Attack on Speech Foundation Models

投稿日: 2024年7月18日 作成者: jarxiv

要約 Whisper のような大規模な音声基盤モデルの最近の開発により、多くの自 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Muting Whisper: A Universal Acoustic Adversarial Attack on Speech Foundation Models はコメントを受け付けていません

TTSDS — Text-to-Speech Distribution Score

投稿日: 2024年7月18日 作成者: jarxiv

要約 最近公開された Text-to-Speech (TTS) システムの多くは … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | TTSDS — Text-to-Speech Distribution Score はコメントを受け付けていません

GraphMuse: A Library for Symbolic Music Graph Processing

投稿日: 2024年7月18日 作成者: jarxiv

要約 グラフ ニューラル ネットワーク (GNN) は最近、記号音楽タスクで注目 … 続きを読む →

カテゴリー: cs.AI, cs.DL, cs.SD, eess.AS | GraphMuse: A Library for Symbolic Music Graph Processing はコメントを受け付けていません

Tango 2: Aligning Diffusion-based Text-to-Audio Generations through Direct Preference Optimization

投稿日: 2024年7月18日 作成者: jarxiv

要約 ジェネレーティブ マルチモーダル コンテンツは、アーティストやメディア担当 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | Tango 2: Aligning Diffusion-based Text-to-Audio Generations through Direct Preference Optimization はコメントを受け付けていません

Vibravox: A Dataset of French Speech Captured with Body-conduction Audio Sensors

投稿日: 2024年7月18日 作成者: jarxiv

要約 Vibravox は、一般データ保護規則 (GDPR) に準拠したデータセ … 続きを読む →

カテゴリー: cs.LG, eess.AS | Vibravox: A Dataset of French Speech Captured with Body-conduction Audio Sensors はコメントを受け付けていません

Disentangled Acoustic Fields For Multimodal Physical Scene Understanding

投稿日: 2024年7月17日 作成者: jarxiv

要約 私たちは、身体化されたエージェントが物体の特性、方向、衝撃音源の距離を推測 … 続きを読む →

カテゴリー: cs.RO, cs.SD, eess.AS | Disentangled Acoustic Fields For Multimodal Physical Scene Understanding はコメントを受け付けていません