Arsha Nagrani

Uma nova abordagem melhora as tarefas de localização de vídeo usando modelos pré-treinados.

O AutoAD-Zero usa prompts visuais pra descrições de áudio mais rápidas e eficazes.

Um novo framework melhora a eficiência no processamento de dados visuais.

Uma visão geral dos avanços no reconhecimento de fala através do VoxCeleb Challenge.