【音声と画像の融合！？】マルチモーダル手法”AV-HuBERT”は構音障害者音声認識でも輝くのか！
【音声と画像の融合！？】マルチモーダル手法”AV-HuBERT”は構音 ...
Speech Recognition for the Dysarthric
音声認識
【Metaが開発した人工知能！？】従来の自己教師あり学習モデルとは一線を画す"HuBERT"モデルの性能はいかに
【Metaが開発した人工知能！？】従来の自己教師あり学習モデルとは一線 ...
AI for Science
【BitNet b1.58】モデルパラメータを3値で表現しLlama以上の精度を達成！？
【BitNet b1.58】モデルパラメータを3値で表現しLlama以 ...
Large language models
音声から自然な3Dトーキングフェイスを生成する「AVI-Talking」
音声から自然な3Dトーキングフェイスを生成する「AVI-Talking ...
Face Recognition
【ゼロショット転移学習】多言語コーパスデータから、未学習言語の音声認識を行なう革新的な技術！？
【ゼロショット転移学習】多言語コーパスデータから、未学習言語の音声認識 ...
Speech Recognition for the Dysarthric
【構音障害者音声を生成！？】学習データ不足を解消する魔法のデータ拡張技術とは
【構音障害者音声を生成！？】学習データ不足を解消する魔法のデータ拡張技 ...
Sound
【Unit-DSR】HuBERTによる障害者音声から健常者音声への正規化
【Unit-DSR】HuBERTによる障害者音声から健常者音声への正規 ...
self-supervised learning
【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
【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
音声認識技術の秘密に迫る
音声認識技術の秘密に迫る
音声認識
【AIのカンブリア大爆発】有用なAIクリエータを見出して活かす時代のポイント
【AIのカンブリア大爆発】有用なAIクリエータを見出して活かす時代のポ ...
Video Generation
【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
【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
【LP-MusicCaps】LLMを用いた音楽キャプションの自動生成
【LP-MusicCaps】LLMを用いた音楽キャプションの自動生成
Contrastive Learning