Neuste Artikel für Audioverarbeitung

Neue Methoden entwickelt, um gefälschte Songs zu identifizieren, angesichts wachsender Bedenken.

Lern, wie Technologie dabei hilft, Musikgenres effizient zu kategorisieren.

Diese Studie untersucht Probleme bei der Verwendung von ConvNets zur Erstellung von Audio-Filterbänken.

Das CLAP-Modell verbindet Audio- und Textverarbeitung für verschiedene Anwendungen.

PIAVE hilft Maschinen, Stimmen klar zu erfassen, selbst wenn die Sprecher den Kopf drehen.

AV2Wav verbessert die Sprachqualität mit Audio- und visuellen Hinweisen.

Ein flexibles Framework vorstellen, um die Forschung zur Sprachprivatsphäre zu verbessern.

Forschung zeigt, dass emotionale Sprache die Leistung von Modellen bei Sprachtrennungsaufgaben beeinflusst.

Neue Methoden verbessern unsere Fähigkeit, gefälschte Sprache effektiv zu erkennen.

Neue Methoden verbessern die Leistung von Vocodern mit begrenzten Audiodaten.

Ein robuster Ansatz zur Identifizierung von Audioanomalien und zur Bekämpfung von Stimmfälschungen.

Wir stellen eine schnellere Methode für hochwertige Sprachsynthese mit Diffusionsmodellen vor.

HiFTNet bietet schnellere, hochwertige Sprachsynthese mit effizienten, innovativen Techniken.

AV-SUPERB bewertet Audio- und visuelle Modelle über verschiedene Aufgaben hinweg für eine bessere Leistung.

Neue Methode verbessert Geschwindigkeit und Effizienz bei der Text-zu-Audio-Generierung.

Ein neues Modell verbessert die Effizienz und Leistung der Sprachtrennung.

Ein neuer Ansatz erstellt Audio-Untertitel nur mit Text, was die Dateneffizienz verbessert.

Die Herausforderungen und Innovationen beim Abgleichen von Audioaufnahmen mit Notenblättern erkunden.

Mit k-Means-Clustering Audio-Daten optimieren für besseres Model-Training.

Eine Studie zeigt, dass Audio-Augmentierung die Spracherkennung in ressourcenschwachen Sprachen verbessern kann.

Neue Strategien verbessern das Lernen mit schwachen Labels, indem sie relevante negative Beispiele auswählen.

Eine Methode, um das beste ASR-Modell basierend auf Audio-Features auszuwählen.

Lern, wie Dereverberation die Spracherkennung in lauten Umgebungen verbessert.

Diese Studie präsentiert ein auf Aufmerksamkeit basierendes Modell zur Schätzung von Raumvolumen aus Audioaufnahmen.

Das ASCA-Modell verbessert die Audio-Klassifikationsgenauigkeit für kleine Datensätze.

Diese Studie wandelt MRI-Zungendaten in echte Sprach-Audio um.

Diese Studie untersucht, wie Modelkompression die Spracherkennung in lauten Umgebungen beeinflusst.

Erforsche, wie Online Aktives Lernen die Effizienz der Schallerkennung verbessert.

Ein neues Modell verbessert das Verständnis von Sprache und Geräuschen gleichzeitig.

DCLS verbessert die Audio-Klassifizierungsleistung, indem es während des Trainings die Kernel-Positionen lernt.

Eine neue Methode verbessert das maschinelle Lernen von audio-visuellen Daten.

Eine neue Methode verbessert die Klang­erkennung und die Standort­bestimmung von Quellen ohne Labels.

Untersuchen, wie die Schärfe der Minima die Modellleistung bei unbekannten Audiodaten beeinflusst.

Eine Studie über die Verwendung von Transformern für effektives Musik-Tagging und -Repräsentation.

Diese Forschung stellt ein Modell vor, um die Sprachverständlichkeit unter verschiedenen Bedingungen zu verbessern.

Die Fortschritte bei automatisierten Audio-Untertitelungen und deren Einfluss auf die Barrierefreiheit erkunden.

Neue Methoden verbessern die Verknüpfung von Textbeschreibungen zu Klangereignissen.

E-SHARC verbessert die Sprecheridentifikation in verschiedenen Audio-Umgebungen.

Ein neuer Ansatz vereinfacht die audio-visuelle Segmentierung ohne teure gelabelte Daten.

Eine Methode verbessert die Sprachklarheit in lauten Umgebungen, ohne dass klare Trainingsdaten vorhanden sind.