「eess.AS」カテゴリーアーカイブ

Understanding Sounds, Missing the Questions: The Challenge of Object Hallucination in Large Audio-Language Models

投稿日: 2024年6月13日 作成者: jarxiv

要約 大規模音声言語モデル (LALM) は、音声認識機能を統合することで従来の … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Understanding Sounds, Missing the Questions: The Challenge of Object Hallucination in Large Audio-Language Models はコメントを受け付けていません

Diff-A-Riff: Musical Accompaniment Co-creation via Latent Diffusion Models

投稿日: 2024年6月13日 作成者: jarxiv

要約 ディープジェネレーティブモデルの最近の進歩は、音楽制作に新たな機会をもたら … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Diff-A-Riff: Musical Accompaniment Co-creation via Latent Diffusion Models はコメントを受け付けていません

Neural Blind Source Separation and Diarization for Distant Speech Recognition

投稿日: 2024年6月13日 作成者: jarxiv

要約 この論文では、分離された信号による監視なしに音声混合を共同で分離およびダイ … 続きを読む →

カテゴリー: cs.AI, eess.AS | Neural Blind Source Separation and Diarization for Distant Speech Recognition はコメントを受け付けていません

Harder or Different? Understanding Generalization of Audio Deepfake Detection

投稿日: 2024年6月13日 作成者: jarxiv

要約 最近の研究では、音声ディープフェイク検出における重要な問題が明らかになりま … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Harder or Different? Understanding Generalization of Audio Deepfake Detection はコメントを受け付けていません

CoLM-DSR: Leveraging Neural Codec Language Modeling for Multi-Modal Dysarthric Speech Reconstruction

投稿日: 2024年6月13日 作成者: jarxiv

要約 構音障害音声再構成 (DSR) は、構音障害のある音声を正常な音声に変換す … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | CoLM-DSR: Leveraging Neural Codec Language Modeling for Multi-Modal Dysarthric Speech Reconstruction はコメントを受け付けていません

Exploring Meta Information for Audio-based Zero-shot Bird Classification

投稿日: 2024年6月12日 作成者: jarxiv

要約 受動的音響モニタリングと機械学習の進歩により、計算による生体音響研究のため … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Exploring Meta Information for Audio-based Zero-shot Bird Classification はコメントを受け付けていません

MM-KWS: Multi-modal Prompts for Multilingual User-defined Keyword Spotting

投稿日: 2024年6月12日 作成者: jarxiv

要約 この論文では、テキストと音声テンプレートのマルチモーダル登録を活用した、ユ … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | MM-KWS: Multi-modal Prompts for Multilingual User-defined Keyword Spotting はコメントを受け付けていません

Multimodal Belief Prediction

投稿日: 2024年6月12日 作成者: jarxiv

要約 話者の信念に対する取り組みのレベルを認識するのは難しい作業です。 人間は文 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | Multimodal Belief Prediction はコメントを受け付けていません

CTC-based Non-autoregressive Textless Speech-to-Speech Translation

投稿日: 2024年6月12日 作成者: jarxiv

要約 直接音声間翻訳 (S2ST) は優れた翻訳品質を実現していますが、音声シー … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS, I.2.7 | CTC-based Non-autoregressive Textless Speech-to-Speech Translation はコメントを受け付けていません

Enhancing CTC-based speech recognition with diverse modeling units

投稿日: 2024年6月12日 作成者: jarxiv

要約 近年、トランスフォーマーなどの深層学習アーキテクチャの進歩により、エンドツ … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Enhancing CTC-based speech recognition with diverse modeling units はコメントを受け付けていません