Articoli più recenti per Elaborazione Audio

Scopri come la tecnologia aiuta a categorizzare i generi musicali in modo efficiente.

Questo studio esplora i problemi legati all'uso delle convnet per la creazione di filterbank audio.

Il modello CLAP collega l'elaborazione audio e testuale per diverse applicazioni.

PIAVE aiuta le macchine a estrarre le voci in modo chiaro, anche quando i parlanti girano la testa.

AV2Wav migliora la qualità del parlato usando segnali audio e visivi.

Introducendo un framework flessibile per migliorare la ricerca sulla privacy vocale.

Le ricerche mostrano che il discorso emotivo influisce sulle performance dei modelli nei compiti di separazione del parlato.

Nuovi metodi stanno migliorando la nostra capacità di rilevare il discorso falso in modo efficace.

Nuovi metodi migliorano le prestazioni del vocoder con dati audio limitati.

Un metodo solido per identificare anomalie audio e combattere il voice spoofing.

Presentiamo un metodo più veloce per la sintesi vocale di alta qualità usando modelli di diffusione.

HiFTNet offre una sintesi vocale più veloce e di alta qualità usando tecniche innovative ed efficienti.

AV-SUPERB valuta modelli audio e visivi su vari task per migliorare le prestazioni.

Nuovo metodo migliora la velocità e l'efficienza nella generazione da testo a audio.

Un nuovo modello migliora l'efficienza e le prestazioni nella separazione del parlato.

Un nuovo approccio genera didascalie audio usando solo testo, migliorando l'efficienza dei dati.

Esplorare le sfide e le innovazioni nel matchare registrazioni audio con spartiti.

Usare il clustering k-means per ottimizzare i dati audio per un miglior addestramento del modello.

Uno studio mostra che l'augmented audio può migliorare il riconoscimento vocale nelle lingue a bassa risorsa.

Nuove strategie migliorano l'apprendimento con etichette deboli selezionando esempi negativi rilevanti.

Un metodo per scegliere il miglior modello ASR basato sulle caratteristiche audio.

Scopri come la dereverberazione migliora il riconoscimento vocale in ambienti rumorosi.

Questo studio presenta un modello basato sull'attenzione per stimare i volumi delle stanze da registrazioni audio.

Il modello ASCA migliora l'accuratezza della classificazione audio per set di dati piccoli.

Questo studio trasforma i dati della risonanza magnetica della lingua in audio vocale reale.

Questo studio analizza come la compressione dei modelli influisce sul riconoscimento vocale in ambienti rumorosi.

Esplora come l'Apprendimento Attivo Online migliori l'efficienza nel riconoscimento dei suoni.

Un nuovo modello migliora la comprensione del parlato e dei suoni contemporaneamente.

DCLS migliora le performance di classificazione audio imparando le posizioni dei kernel durante l'addestramento.

Un nuovo metodo migliora l'apprendimento automatico dei dati audio-visivi.

Un nuovo metodo migliora il riconoscimento dei suoni e la localizzazione delle fonti senza etichette.

Esplorando come la nitidezza dei minimi influisca sulle prestazioni del modello su dati audio non visti.

Uno studio sull'uso dei transformer per un tagging e una rappresentazione musicale efficace.

Questa ricerca presenta un modello per migliorare la chiarezza del discorso in diverse condizioni.

Esplorando i progressi nella didascalia audio automatica e il suo impatto sull'accessibilità.

Nuovi metodi migliorano il collegamento tra descrizioni testuali e eventi sonori.

E-SHARC migliora l'identificazione degli speaker in vari ambienti audio.

Un nuovo approccio semplifica la segmentazione audio-visiva senza bisogno di costosi dati etichettati.

Un metodo migliora la chiarezza del parlato in ambienti rumorosi senza dati di addestramento chiari.

Esplora il ruolo delle wavelet nell'analizzare la liscezza delle funzioni e le sue applicazioni.