Haizhou Li

CoAVTは、音声、映像、テキストデータを統合して、理解を深めるんだ。

新しい方法が厳しい環境での音声と映像のスピーカー検出を改善する。

SEANetは音声処理でノイズを減らしてスピーカーの隔離を改善するよ。

AdvEvalは自然言語生成評価メトリクスの弱点を暴露する。

新しいアプローチがトピックと修辞構造を組み合わせることで対話システムを改善する。

新しいモデルARDiTがテキスト読み上げ合成と音声編集を改善したよ。

会話中の重なり合う発話を理解する新しい方法についての考察。

新しい方法で、言語間の声の変換が改善され、話者の特性が保たれるんだ。

データ選択が言語モデルのパフォーマンスをどう向上させるかのレビュー。

新しいフレームワークが、特に騒がしい環境で顔と声のつながりを改善するよ。

新しい方法が音の位置特定の精度を向上させつつ、データプライバシーを守る。

テキスト音写を使ってアクセント付きの音声を生成する新しい方法。

E1 TTSはテキストを自然な音声に、もっと早く効率的に変換するよ。

マトリョーシカエンベディングが話者認識の効率と柔軟性をどう向上させるかを発見しよう。

マルチオーディオタスクを評価するための新しいモデルとベンチマークを紹介するよ。

新しい方法が周りの視覚情報を使って話の明瞭さを高める。

感情豊かなTTSが機械とのコミュニケーションをどう変えるか、もっと身近に感じられるようになるんだ。