141 Arbeiten
Die Arbeit stellt ImKWS vor, eine Test-Time-Adaptation-Methode für die Keyword-Erkennung, die durch eine aufgeteilte Entropie-Optimierung mit Belohnungs- und Strafzweig sowie Konsistenz über Transformationen hinweg die durch Klassenungleichgewicht verursachten Verzerrungen bei der Anpassung an unlabeled Testdaten überwindet.
Die vorgestellte Arbeit stellt JHCodec vor, einen neuronalen Audio-Codec, der durch die Einführung eines selbstüberwachten Rekonstruktionsverlusts (SSRR) eine hohe Sprachverständlichkeit bei minimaler Latenz und geringen Trainingskosten erreicht, ohne zusätzliche Lookahead-Fenster zu benötigen.
Die vorgestellte Studie entwickelt eine trainingsfreie, post-hoc-Methode zur Aktivierungssteuerung, die es Zero-Shot-Text-to-Speech-Modellen ermöglicht, den Akzent eines Referenzsprechers zu neutralisieren, während dessen ursprüngliche Timbre erhalten bleibt.
Der Paper stellt StreamVoiceAnon+ vor, ein Streaming-Verfahren zur Sprecheranonymisierung, das durch eine zweistufige Feinabstimmung mit neutralen Emotionspaaren und frame-basierter emotionaler Distillation die Emotionserhaltung signifikant verbessert, ohne die Latenz oder Intelligibilität zu beeinträchtigen.
Das Paper stellt Whisper-CD vor, ein reines Inferenz-Verfahren, das durch kontrastives Decodieren mit akustisch motivierten Störungen Halluzinationen und Wiederholungen bei der langen Spracherkennung mit Whisper reduziert und gleichzeitig die Generierungsgeschwindigkeit im Vergleich zur Beam Search deutlich steigert.
Diese Studie zeigt, dass die Anpassung von Sprachgrundmodellen an ressourcenarme pazifische indigene Sprachen durch Datenknappheit und das Problem des katastrophalen Vergessens bei sequenziellem Lernen erschwert wird, was eine dringende Notwendigkeit robusterer Anpassungsstrategien unterstreicht.
Diese Studie zeigt, dass zwar einige akustische Merkmale zur Unterscheidung von autistischen und nicht-autistischen Kindern über die Sprachen Finnisch, Französisch und Slowakisch hinweg generalisieren, jedoch robuste, sprachübergreifende Klassifikatoren eine sprachbewusste Modellierung und homogene Aufnahmekonditionen erfordern.
Diese Studie analysiert prosodische Merkmale in der Sprache autistischer und nicht-autistischer Kinder in Finnisch, Französisch und Slowakisch und zeigt, dass neben der Tonhöhe auch Stimmgüte und Intensitätsdynamik als sprachunabhängige Marker für Autismus dienen, was ein komplexeres Profil als reine Defizitmodelle nahelegt.
Diese Arbeit stellt ein robustes, öffentlich zugängliches System vor, das durch die Kombination einer neuronalen Sprecherdiarisierung (EEND-VC) und eines feinabgestimmten Qwen3-ASR-Modells medizinische Zustände aus überlappenden, code-switchenden Hinglish-Gesprächen extrahiert und damit im DISPLACE-M-Wettbewerb den ersten Platz unter 25 Teilnehmern belegte.
Der Artikel stellt einen gemeinwohlorientierten Ansatz vor, bei dem Sozialwissenschaftler in multidisziplinären Teams entwickelt werden, um KI-Modelle zur Analyse von Polizeikörperkameras aufzunehmen, die die Perspektiven der betroffenen Gemeinschaft einbeziehen, um die demokratische Rechenschaftspflicht zu stärken.
Diese Arbeit bietet die erste systematische Übersicht über Audio-Sprach-Modelle, die eine umfassende Abdeckung von Sprach-, Musik- und Geräuschdaten, eine einheitliche Taxonomie der Modellarchitekturen und Trainingsziele sowie eine Analyse des Forschungslandschafts mit Blick auf Herausforderungen und zukünftige Richtungen umfasst.
Die vorgestellte Arbeit stellt eine leichte Text-only-Anpassungsmethode für LLM-basierte Spracherkennungssysteme vor, die durch das Framing als Textentrauschungsaufgabe eine Domänenanpassung ermöglicht, ohne die kritische Ausrichtung zwischen Sprach- und Textmodalität zu stören, und dabei signifikante Verbesserungen gegenüber bestehenden Methoden erzielt.
Die Studie zeigt, dass selbstüberwachte Sprachmodelle über 96 Sprachen hinweg phonologische Merkmale in kompositionellen Vektoren kodieren, die eine lineare Vektorarithmetik ermöglichen, bei der das Hinzufügen oder Skalieren von Vektoren kontinuierliche phonetische Übergänge erzeugt.
Die Arbeit stellt V2A-DPO vor, ein neuartiges Framework zur direkten Präferenzoptimierung für flussbasierte Video-zu-Audio-Generierungsmodelle, das durch ein umfassendes AudioScore-Bewertungssystem, eine automatisierte Datengenerierungspipeline und eine Curriculum-Learning-Strategie die menschlichen Präferenzen in Bezug auf semantische Konsistenz, zeitliche Ausrichtung und klangliche Qualität verbessert und damit den aktuellen Stand der Technik übertrifft.
Die Studie untersucht, ob ein auf Text trainiertes Sprachmodell zur Lokalisierung gefälschter Wörter in teilweise manipulierter Sprache eingesetzt werden kann, und stellt fest, dass das Modell zwar in-domäneneffektiv ist, jedoch zu stark auf spezifische Trainingsmuster angewiesen ist, was die Verallgemeinerung auf unbekannte Bearbeitungsstile erschwert.
Die Studie zeigt, dass ein auf XLS-R basierendes Modell mit nur den ersten drei Schichten die Erkennung von Hustenereignissen in Audiodaten für die Tuberkulose-Screening-Programme in Südafrika und Uganda mit hoher Präzision ermöglicht und dabei rechenintensive Alternativen wie den Audio Spectrogram Transformer übertrifft.
Die vorgestellte Arbeit führt eine selbstspekulative Decodierungsmethode für LLM-basierte ASR-Systeme ein, die einen CTC-Encoder als Entwurfsmodell nutzt, um die Inferenzgeschwindigkeit um den Faktor 4,4 zu steigern und gleichzeitig die Wortfehlerrate auf einem Benchmark-Test auf 5,58 % zu senken.
Der Artikel stellt Fair-Gate vor, ein fairheitsbewusstes und interpretierbares Risiko-Gating-Framework, das durch die Reduzierung demografischer Shortcut-Lernmuster und die Entflechtung geschlechtsbezogener Merkmale die Geschlechtergerechtigkeit in der Sprachbiometrie verbessert.
Die Studie zeigt, dass durch fortgesetztes Vortraining mit Pseudo-Labels und anschließendes Feinabstimmen auf nur 20.000 gelabelten Swahili-Daten ein State-of-the-Art-Ergebnis von 3,24 % Wortfehlerrate erreicht wird, was eine relative Verbesserung von 82 % gegenüber der Basislinie und 61 % gegenüber dem bisherigen akademischen Rekord darstellt.
Die Arbeit stellt AnimeScore vor, ein präferenzbasiertes Framework zur automatischen Bewertung von Anime-Stimmen, das auf 15.000 Paarvergleichen beruht und zeigt, dass SSL-Modelle mit 90,8 % AUC eine zuverlässige Metrik für die Optimierung generativer Sprachmodelle bieten.