162 Arbeiten
Diese Arbeit stellt einen leichten Rahmen vor, der durch selbstüberwachtes Training von Low-Rank-Adaptern an einem eingefrorenen Backbone weniger als 1 % der Parameter aktualisiert und so Speech-Enhancement-Modelle für den effizienten Einsatz in Echtzeit-Umgebungen mit dynamischen akustischen Szenen optimiert.
Diese Studie zeigt, dass die Erkennung von Parkinson-Krankheit aus anonymisierter Sprache durch den Einsatz des kNN-VC-Verfahrens möglich ist, da es im Gegensatz zum STT-TTS-Ansatz die für die Diagnose entscheidenden prosodischen Merkmale weitgehend erhält und dabei einen akzeptablen Kompromiss zwischen Datenschutz und Diagnosegenauigkeit bietet.
Diese Arbeit stellt ein neues Problem und Evaluierungsframework namens Speech Generation Speaker Poisoning (SGSP) vor, das darauf abzielt, die Privatsphäre in Zero-Shot-Text-to-Speech-Modellen zu schützen, indem die Generierung spezifischer Sprecheridentitäten verhindert wird, während die Nutzbarkeit für andere Sprecher erhalten bleibt.
Diese Arbeit stellt das neu kuratierte Devanagari-Sprachkorpus „Nwāchā Munā" für Nepal Bhasha vor und zeigt, dass ein feinabgestimmtes nepalesisches Conformer-Modell durch proximale Transferlernen die Leistung großer multilingualer Modelle bei der Spracherkennung erreicht und dabei eine rechen-effiziente Alternative für diese unterrepräsentierte Sprache bietet.
Die Autoren stellen einen analysebasierten Rahmen zur Generierung eines öffentlichen Datensatzes mit prozedural erzeugten Motorengeräuschen und präzisen Betriebszustands-Annotationen vor, der durch die Extraktion harmonischer Strukturen aus realen Aufnahmen und deren Weiterverarbeitung in einem parametrischen Synthesizer die Lücke bei kostengünstigen, sauberen Trainingsdaten für die akustische Modellierung und neuronale Synthese schließt.
Die Arbeit stellt VoiceSHIELD-Small vor, ein leichtgewichtiges Echtzeit-Modell auf Basis von Whisper-small, das gleichzeitig Sprache transkribiert und schädliche Eingaben mit einer Genauigkeit von 99,16 % erkennt, um Sicherheitsrisiken bei Sprachschnittstellen zu minimieren.
SoundWeaver ist ein trainingfreies, modellunabhängiges Serving-System, das die Latenz von Text-zu-Audio-Diffusionsmodellen durch das Warm-Starten mit semantisch ähnlichen, zwischengespeicherten Audiodaten um das 1,8- bis 3,0-Fache reduziert, ohne die wahrgenommene Klangqualität zu beeinträchtigen.
Diese Arbeit stellt eine modulare Pipeline für die unsupervised Domain Adaptation zur Audio-Deepfake-Erkennung vor, die vortrainierte Wav2Vec 2.0-Embeddings mit statistischen Transformationen wie CORAL-Alignment und Merkmalsauswahl kombiniert, um die generalisierende Leistung bei domänenübergreifenden Szenarien ohne gelabelte Ziel-Daten signifikant zu verbessern.
Die Arbeit stellt MambaDance vor, einen neuartigen Ansatz zur Tanzgenerierung, der ein Mamba-basiertes Diffusionsmodell mit einer glockenförmigen Beat-Repräsentation kombiniert, um im Vergleich zu Transformer-basierten Methoden längere, rhythmisch präzisere und musikalisch synchronisierte Tanzbewegungen zu erzeugen.
Das Paper stellt WhispEar vor, ein bidirektionales Framework, das mithilfe eines Normal-zu-Flüstern-Modells zur Erzeugung pseudo-paralleler Daten und eines neu veröffentlichten bilingualen Korpus die Herausforderungen der Umwandlung von Flüstern in normale Sprache überwindet.
Die Arbeit stellt PathBench vor, ein einheitliches Benchmark-System für die Bewertung der Sprachverständlichkeit bei pathologischen Störungen, das verschiedene Methoden auf öffentlichen Datensätzen vergleicht und mit dem neu eingeführten DArtP-Verfahren einen neuen Referenzstandard setzt.
Der Artikel stellt FoleyFlow vor, ein neues Modell zur koordinierten Video-zu-Audio-Generierung, das durch einen Maskierungsansatz zur semantischen und rhythmischen Ausrichtung sowie einen dynamischen bedingten Fluss für eine zeitlich präzise Synchronisation übertrifft bestehende Methoden.
Diese Studie stellt eine neuartige, auf Spektrogrammen basierende Methode mit einem Convolutional Neural Network (CNN) vor, die bei der multilabel-Klassifizierung von südasiatischen Umgebungsgeräuschen im Vergleich zu herkömmlichen MFCC-Techniken eine deutlich höhere Genauigkeit erzielt.
Das Papier stellt ESC vor, eine kalibrierungsmethode auf Basis von Evolutionsstrategien, die die spezifischen Herausforderungen von Audio-Aktivierungen bei der Low-Bit-Quantisierung adressiert und erstmals nahezu verlustfreie INT4-Quantisierung sowie volle INT8-Leistung für Sprachmodelle ermöglicht.
Das Paper stellt DualTurn vor, ein Modell, das durch generatives Vortraining auf dualkanaliger Konversationsaudio natürliche Gesprächsdynamiken lernt und so überlegene Vorhersagen für Gesprächswechsel ermöglicht, ohne auf unnatürliche Stille-Timeouts angewiesen zu sein.
Diese Arbeit stellt einen neuen Ansatz vor, der die mehrdeutige Emotionserkennung als verteilungsorientiertes Schlussfolgerungsproblem neu formuliert und durch eine mehrdeutigkeitsbewusste Zielfunktion sowie strukturierte Chain-of-Thought-Supervision die reasoning-Fähigkeiten von großen Audio-Sprachmodellen verbessert.
Dieses Paper stellt einen neuartigen, skalierbaren neuronalen Vocoder im Zeit-Frequenz-Bereich vor, der die Range-Null-Space-Zerlegung mit einem dualen Pfad-Netzwerk kombiniert, um transparente, leichtgewichtige Modelle mit State-of-the-Art-Leistung und flexibler Anpassungsfähigkeit an verschiedene Eingabekonfigurationen zu erreichen.
Die Studie stellt mit „Trilobyte" ein neues Byte-Level-Tokenisierungsschema vor, das den Einsatz autoregressiver Sprachmodelle für verlustfreie Kompression von hochauflösendem 24-Bit-Audio ermöglicht und dabei zwar FLAC übertrifft, jedoch mit abnehmenden Kompressionsgewinnen bei steigender Bittiefe konfrontiert ist.
Die Studie zeigt, dass aktuelle Deep-Learning-Sprachentstörungssysteme durch psychoakustisch getarnte adversariale Störgeräusche so manipuliert werden können, dass sie unverständlichen Unsinn erzeugen, obwohl die Störungen für Menschen kaum wahrnehmbar sind, was die Notwendigkeit von Gegenmaßnahmen für den Einsatz in sicherheitskritischen Anwendungen unterstreicht.
Diese Arbeit zeigt, dass das Training mit hohen Ausfallraten von Modalitäten die Robustheit eines Emotions-bewussten, Multi-Enrollment-Fusionsmodells für die audio-visuelle Zielsprecherextraktion signifikant verbessert und so auch bei unvorhergesehenen Signalverlusten stabile Leistung gewährleistet.