【HiFi-GAN】単一GPUで22kHzの音声を生成可能なGANベースのボコーダー
【HiFi-GAN】単一GPUで22kHzの音声を生成可能なGANベー ...
Speech Synthesis
生成モデル
潜在拡散モデルは必ずしも「サイズを大きくすれば良い」というわけではない
潜在拡散モデルは必ずしも「サイズを大きくすれば良い」というわけではない
Diffusion Model
【Mustango】音楽のドメイン知識を活用した音楽生成モデル
【Mustango】音楽のドメイン知識を活用した音楽生成モデル
Audio and Speech Processing
【VoiceCraft】業界最高レベルで自然な音声を合成できる言語モデル
【VoiceCraft】業界最高レベルで自然な音声を合成できる言語モデ ...
Speech Synthesis
【AlphaCodium】プログラミングに特化した最高性能のコード生成手法
【AlphaCodium】プログラミングに特化した最高性能のコード生成 ...
Large language models
「BioinspiredLLM」大規模言語モデルを活用した生物学的材料研究の革新
「BioinspiredLLM」大規模言語モデルを活用した生物学的材料 ...
Large language models
LLMはビッグファイブに基づいたペルソナを再現できるのか！？
LLMはビッグファイブに基づいたペルソナを再現できるのか！？
ChatGPT
U-ViT: 拡散モデル用ViTバックボーン
U-ViT: 拡散モデル用ViTバックボーン
Image generation
【Diffusion Transformer】OpenAIのSoraにも使われた最新技術
【Diffusion Transformer】OpenAIのSoraに ...
Image generation
ADD: 敵対的学習と知識蒸留を用いた拡散モデル
ADD: 敵対的学習と知識蒸留を用いた拡散モデル
Image generation
【DPO】強化学習を用いずに大規模言語モデルをユーザの好みに直接合わせる手法
【DPO】強化学習を用いずに大規模言語モデルをユーザの好みに直接合わせ ...
RLHF
アップルがメモリ容量が限られたデバイス上で効率的な大規模言語モデルの推論を実現
アップルがメモリ容量が限られたデバイス上で効率的な大規模言語モデルの推 ...
Large language models
【MusicLDM】盗作のリスクが低いText-to-Musicモデル
【MusicLDM】盗作のリスクが低いText-to-Musicモデル
Diffusion Model
【AudioLDM】Latent Diffusionを用いたText-to-Audioの生成モデル
【AudioLDM】Latent Diffusionを用いたText- ...
Diffusion Model
【CoDi】ほぼ全てのモダリティを扱えるAny-to-Anyの拡散モデル
【CoDi】ほぼ全てのモダリティを扱えるAny-to-Anyの拡散モデ ...
Diffusion Model
【Versatile Diffusion】テキストと画像を統合的に扱う拡散モデル
【Versatile Diffusion】テキストと画像を統合的に扱う ...
Diffusion Model
【CLAP】音声とテキストの対照学習モデル
【CLAP】音声とテキストの対照学習モデル
Contrastive Learning
【Brain2Music】脳の情報をもとに音楽を自動生成
【Brain2Music】脳の情報をもとに音楽を自動生成
Large language models