150 Arbeiten
Die Studie stellt TimberAgent vor, ein grammatikgestütztes Retrieval-System, das mithilfe von Texture-Resonance-Retrieval (TRR) auf Basis von Gram-Matrizen aus Wav2Vec2-Aktivierungen semantische Benutzerabsichten in präzise, bearbeitbare Audio-Effekt-Konfigurationen übersetzt und dabei in einem Gitarren-Effekt-Benchmark die niedrigsten Parameterfehler im Vergleich zu bestehenden Methoden aufweist.
Die Arbeit stellt das differentiable Pulse-Train-Resonator-Modell (PTR) vor, das Motorengeräusche durch die direkte physikalisch informierte Synthese von Druckimpulsen und deren Resonanzsimulation erzeugt und dabei eine signifikant bessere Klangrekonstruktion sowie interpretierbare physikalische Parameter bietet.
Die Arbeit stellt MUGEN vor, ein umfassendes Benchmark-System zur Evaluierung von Large Audio-Language-Modellen im Mehr-Audio-Verständnis, das signifikante Leistungseinbußen bei steigender Eingabeanzahl aufdeckt und durch trainingsfreie Strategien wie Audio-Permutational Self-Consistency in Kombination mit Chain-of-Thought die Genauigkeit nachweislich verbessert.
Die Arbeit stellt EmoSURA vor, ein neuartiges Evaluierungsframework, das durch die Zerlegung von emotionalen Sprachbeschreibungen in atomare Einheiten und deren audio-basierte Verifizierung sowie die Einführung des SURABench-Tests eine genauere und zuverlässigere Bewertung als herkömmliche Metriken ermöglicht.
Die Arbeit stellt SCENEBench vor, ein Benchmark-System für Large Audio Language Models, das Audioverständnis über die reine Spracherkennung hinaus in vier praxisrelevanten Kategorien wie Hintergrundgeräuschverständnis und Lokalisierung bewertet und dabei sowohl synthetische als auch natürliche Daten zur Validierung nutzt.
Diese Arbeit stellt das multimodale System MLVAS vor, das durch die Kombination von Videostroboskopie und Audioanalyse sowie fortschrittlicher Segmentierung und Merkmalsextraktion eine objektive, assistierte Diagnose der Stimmlippenlähmung ermöglicht.
Die Arbeit stellt ExpGest vor, ein neuartiges Diffusionsmodell, das durch die Synchronisation von Audio- und Textinformationen sowie einen speziellen Emotionsklassifikator erstmals ausdrucksstarke, kontrollierbare Ganzkörpergesten erzeugt und damit die Starrheit bestehender Upper-Body-Methoden überwindet.
Dieses Paper stellt Task 5 des DCASE 2025 Challenges vor, ein mehrdomäniges Benchmark für Audio-Frage-Antwort-Aufgaben, das darauf abzielt, die akustische reasoning-Fähigkeit von Audio-Sprachmodellen durch die Evaluierung in Bereichen wie Bioakustik und komplexen Klanglandschaften zu verbessern.
Die Arbeit stellt BemaGANv2 vor, einen fortschrittlichen GAN-basierten Vocoder für die hochauflösende Langzeit-Audiogenerierung, der durch den Einsatz von AMP-Modulen im Generator und einer systematischen Evaluierung verschiedener Diskriminator-Kombinationen (insbesondere MED und MRD) zeitliche Kohärenz und harmonische Struktur über längere Zeiträume verbessert.
Die Studie stellt WaLi vor, ein System, das mithilfe eines komplexwertigen Conformer-Modells und einer globalen Aufmerksamkeitskomponente vertrauliche Sprache aus den oft vernachlässigten Druckdaten von HVAC-Sensoren rekonstruiert und damit eine bisher unbeachtete, erhebliche Privatsphärenbedrohung aufzeigt.
Die SUBARU-Methode ermöglicht eine signifikante Stromreduzierung bei Hörgeräten durch den gezielten Einsatz von Sub-Nyquist-Abtastung und niedriger Bitauflösung in Kombination mit einem effizienten Upsampling-Verfahren, das dennoch eine hochwertige Sprachverbesserung in Echtzeit gewährleistet.
Das Paper stellt ECHO vor, ein frequenzbewusstes hierarchisches Encoder-Modell für Basis-Modelle, das durch Band-Split-Architektur und gleitende Patches variable Signallängen und beliebige Abtastraten unterstützt und damit bei der Anomalieerkennung und Fehlerklassifizierung in industriellen Maschinensignalen state-of-the-art Ergebnisse erzielt.
Die Arbeit stellt das erste öffentliche Korpus LibriTTS-VI vor und schlägt neue Methoden vor, um durch Entkopplung von Sprecheridentität und Stimmimpressions-Steuerung oder eine referenzfreie Technik die präzise numerische Kontrolle von Stimmimpressionsmerkmalen in der Text-zu-Sprache-Synthese zu verbessern.
Dieses Paper stellt eine effiziente Modifikation von X-Codec-2.0 vor, die durch eine Senkung der Latent-Rate auf 25 Hz und eine Erhöhung der Abtastrate auf 24 kHz die zeitliche Effizienz und die wahrgenommene Audioqualität im multilingualen Sprachkontext signifikant verbessert.
Die Studie nutzt mechanische Interpretierbarkeit, um spezifische „Hör"-Aufmerksamkeitsköpfe in Audio-Sprachmodellen zu identifizieren und durch gezielte Eingriffe in die Inferenzphase die Audio-Verarbeitung ohne Parameter-Updates signifikant zu verbessern.
Diese Arbeit stellt eine adaptive Methode vor, die Multimodale Large Language Models (MLLMs) nutzt, um in unter 11 Minuten interpretierbare Audio-Attribute für die Klassifizierung mit geringen Ressourcen effizient zu entdecken und dabei menschliche Experten zu ersetzen, was in den meisten Fällen zu besseren Ergebnissen führt als direkte MLLM-Vorhersagen.
Diese Arbeit stellt einen multimodalen Datensatz mit Audio- und Vibrationssignalen von einem einstufigen Kettenförderer vor, der unter verschiedenen Betriebsbedingungen und mit realistischen Störgeräuschen erfasst wurde, um robuste Verfahren zur industriellen Fehlererkennung und -klassifizierung zu ermöglichen.
Diese Studie stellt ein automatisiertes System zur Segmentierung und Klassifizierung von Darmgeräuschen vor, das mithilfe eines tragbaren Sensors und eines Audio-Spektrogramm-Transformers eine objektive, quantitative Analyse ermöglicht und die manuelle Markierungszeit um etwa 70 % reduziert.
Die Arbeit stellt VASR vor, ein multimodales System, das durch einen Audio-Visuellen Chain-of-Thought (AV-CoT) reiche visuelle Kontextinformationen wie Szenen und Bildschirmtext nutzt, um die Spracherkennung zu verbessern und das Problem der einseitigen Abhängigkeit von einer einzelnen Modalität zu lösen.
Die Arbeit stellt ein Vocos-basiertes Modell zur Bandbreitenerweiterung vor, das durch einen neuronalen Vocoder und einen leichten Refiner Audio von 8 auf 48 kHz in Echtzeit mit hoher Qualität und extremem Durchsatz erweitert.