Xuankai Chang

VoxtLMは、音声認識、合成、テキスト生成、そして継続を1つのモデルにまとめているよ。

自動音声キャプションの進歩とそのアクセシビリティへの影響を探る。

音声タスクにおける基盤モデルを評価するための新しいフレームワーク。

新しいモデルが音声と視覚データを統合して、音声認識と翻訳を行うんだ。

EVAは音声と視覚の信号を組み合わせて、スピーチ認識の精度を向上させるんだ。