141 Arbeiten
Die Studie stellt RA-QA vor, ein umfassendes Benchmark-System mit einem standardisierten Datenpipeline und multimodalen Frage-Antwort-Paaren, das die Leistungsfähigkeit bestehender KI-Modelle bei der Analyse von Atemgeräuschen unter realen, heterogenen Bedingungen evaluiert und deren Grenzen aufzeigt.
Die Studie stellt Aurchestra vor, ein System für Hearables, das erstmals eine feingranulare, Echtzeit-Steuerung mehrerer überlappender Schallquellen direkt auf ressourcenbeschränkten Geräten ermöglicht, indem es eine dynamische Schnittstelle und ein optimiertes Multi-Output-Extraktionsnetzwerk kombiniert, um die Umgebung wie ein Audio-Mischpult individuell anzupassen.
Das Paper stellt VoxKnesset vor, einen großen, longitudinalen hebräischen Sprachdatensatz mit Parlamentsaufnahmen von 393 Sprechern über 15 Jahre, der genutzt wird, um die Auswirkungen des Alterns auf die Sprechererkennung und Altersvorhersage zu untersuchen und robuste Sprachsysteme zu entwickeln.
Dieser Artikel stellt den DISPLACE-M-Challenge vor, der ein Benchmark für konversationsbasierte KI in der medizinischen Versorgung einführt, indem er einen Datensatz mit 55 Stunden Aufnahmen sowie Baselines für vier Aufgaben wie Sprecherdiarisierung und automatische Spracherkennung bereitstellt, um Systeme in lauten, mehrsprachigen Umgebungen zu evaluieren.
Dieses Paper stellt das PARLO Dementia Corpus (PDC) vor, eine erste öffentlich zugängliche, klinisch validierte deutsche Ressource mit Sprachaufnahmen und multimodalen Daten von Alzheimer-Patienten und gesunden Kontrollpersonen, die die Entwicklung nicht-invasiver, sprachbasierter Diagnoseverfahren für neurodegenerative Erkrankungen ermöglicht.
Diese Arbeit stellt eine systematische Evaluierung von Temporal-Pooling-Strategien für trainingsfreie Anomalieerkennung vor, bei der die neu vorgeschlagene relative Abweichungspooling-Methode (RDP) und eine hybride Strategie in Kombination mit vortrainierten Audio-Embeddings auf fünf Benchmark-Datensätzen nachweislich die bisherige State-of-the-Art-Leistung übertreffen.
Diese Studie stellt einen neuartigen Ansatz zur gleichzeitigen Erfassung von Echtzeit-MRT, EEG und Oberflächen-EMG vor, der durch eine maßgeschneiderte Artefaktunterdrückung erstmals eine umfassende Analyse der neuronalen, muskulären und artikulatorischen Prozesse der Sprachproduktion ermöglicht.
Diese Arbeit stellt einen kompakten, trainingsfreien und interpretierbaren Satz akustischer Parameter vor, der für die Erkennung von Timbre-Attributen in der Sprache konzipiert ist und dabei konventionelle Merkmale sowie überwachte DNN-Einbettungen in der Leistung übertrifft, ohne dabei hohe Rechenkosten zu verursachen.
Die Arbeit stellt PolyBench vor, einen Benchmark zur Evaluierung des kompositorischen Denkens in polyphoner Audioverarbeitung, der zeigt, dass aktuelle Large Audio Language Models bei der Analyse mehrerer gleichzeitiger Klänge signifikante Schwächen aufweisen.
Die Autoren stellen BabAR vor, ein systemübergreifendes phonetisches Erkennungssystem für kindliche Sprache, das auf der neu erstellten TinyVox-Datenbank trainiert wurde und durch die Analyse von Fehlermustern sowie den Abgleich mit entwicklungspsychologischen Maßstäben als geeignetes Werkzeug für groß angelegte Studien zur Sprachentwicklung junger Kinder validiert wird.
Die vorgestellte Arbeit stellt ein neuartiges, multimodales System namens VI-NBFNet vor, das durch die Integration von Lippenbewegungen aus visuellen Daten in ein auf Aufmerksamkeit basierendes Beamforming die Sprachverbesserung in komplexen akustischen Umgebungen mit mehreren Sprechern und Störgeräuschen signifikant verbessert.
Diese Arbeit untersucht die Eignung von Modell-Merging für die Mehrdomänen-Anpassung in der automatischen Spracherkennung, stellt mit BoostedTSV-M einen neuen Algorithmus vor, der die numerische Stabilität verbessert, und zeigt, dass dieser Ansatz die Leistung einer vollständigen Feinabstimmung für europäisches Portugiesisch übertrifft, während die Generalisierungsfähigkeit erhalten bleibt.
Die Arbeit stellt MSpoof-TTS vor, ein trainingsfreies Inferenzframework, das durch mehrstufige Spoof-Erkennung und hierarchisches Decodieren die Robustheit und Qualität diskreter Sprachsynthese verbessert, ohne die Modellparameter anzupassen.
Die Autoren stellen eine probabilistische Architektur für die Ein-Kanal-Sprachtrennung vor, die durch unsicherheitsbasierte Frühbeendigung die Rechenleistung dynamisch an die Anforderungen anpasst und dabei sowohl Recheneffizienz als auch eine hohe Rekonstruktionsqualität gewährleistet.
Die Arbeit stellt LadderSym vor, einen neuartigen multimodalen Transformer, der durch einen Zwei-Stream-Encoder mit Inter-Stream-Ausrichtung und die Nutzung symbolischer Notentexte als Decoder-Prompts die Genauigkeit der Fehlererkennung beim Musiküben im Vergleich zu bisherigen State-of-the-Art-Methoden erheblich verbessert.
Die Arbeit schließt die Lücke in der Bewertung von Musikgenerierungsmodellen, indem sie ein umfassendes Ökosystem für Reward-Modelle unter kompositorischen multimodalen Anweisungen (CMI) einführt, das aus einem großen Datensatz, einem menschlich annotierten Korpus und einem einheitlichen Benchmark besteht, um die Ausrichtung auf Musikalität und Text-Musik-Konsistenz zu verbessern.
Die Arbeit stellt SemKey vor, ein neuartiges Framework zur EEG-zu-Text-Decodierung, das durch die Entkopplung semantischer Ziele und eine signalgefundene Architektur die häufigen Probleme von Halluzinationen und der irreführenden BLEU-Metrik überwindet, um eine präzisere und diversere Sprachgenerierung aus neuronalen Signalen zu erreichen.
Die Studie stellt SMMA vor, ein auf Deep Learning basierendes, vollautomatisiertes Framework zur präzisen Messung der Geniohyoid-Muskeldicke während der Sprache, das manuelle Annotationen überflüssig macht und neue Einblicke in die Sprachmotorik sowie potenzielle Anwendungen bei der Diagnose von Sprech- und Schluckstörungen ermöglicht.
Die Arbeit ACES identifiziert accent-spezifische Unterräume in ASR-Modellen als diagnostische Werkzeuge, die aufzeigen, dass diese Merkmale tief mit entscheidenden Erkennungsmerkmalen verflochten sind und eine einfache Entfernung zur Verbesserung der Fairness nicht ausreicht.
Dieser technische Bericht stellt das System des CP-JKU-Teams für den MSR ICASSP Challenge 2025 vor, das Musikquellen-Wiederherstellung durch eine mehrstufige Pipeline aus einem BandSplit-RoFormer-Trenner mit Curriculum-Learning und einem spezialisierten HiFi++ GAN-Waveform-Restorer realisiert.