141 artículos
Este trabajo presenta RA-QA, un nuevo sistema de referencia que unifica conjuntos de datos públicos en 9 millones de pares de preguntas y respuestas sobre audio respiratorio para evaluar y exponer las limitaciones de los modelos de inteligencia artificial multimodal bajo condiciones de heterogeneidad del mundo real.
El sistema Aurchestra introduce el primer control de sonido fino y en tiempo real en dispositivos auditivos, permitiendo a los usuarios aislar y ajustar individualmente hasta cinco fuentes sonoras simultáneas mediante una red de extracción optimizada para dispositivos con recursos limitados.
El artículo presenta VoxKnesset, un conjunto de datos abierto de habla hebrea a gran escala y longitudinal que abarca 2300 horas de discursos parlamentarios entre 2009 y 2025, diseñado para evaluar y mejorar los sistemas de procesamiento de voz frente a los cambios relacionados con la edad en los hablantes.
El desafío DISPLACE-M presenta un nuevo benchmark para evaluar sistemas de IA conversacional en diálogos médicos reales y ruidosos, proporcionando un conjunto de datos de 55 horas y líneas base para cuatro tareas clave: diarización de hablantes, reconocimiento automático de voz, identificación de temas y resumen de diálogos.
Este artículo presenta el corpus PARLO, un nuevo recurso público alemán multi-centro que incluye grabaciones de voz, transcripciones y datos clínicos de pacientes con Alzheimer y controles sanos, estableciendo el primer punto de referencia para la investigación basada en el habla sobre enfermedades neurodegenerativas en Alemania.
Este artículo presenta una evaluación sistemática de estrategias de agrupamiento temporal para la detección de sonidos anómalos sin entrenamiento, proponiendo el agrupamiento por desviación relativa (RDP) y una estrategia híbrida que superan el rendimiento de los métodos existentes y alcanzan el estado del arte en múltiples conjuntos de datos de referencia.
Este artículo presenta un enfoque pionero para la adquisición simultánea de video de resonancia magnética en tiempo real, EEG y EMG superficial, junto con un pipeline de supresión de artefactos, con el fin de capturar integralmente la actividad cerebral, muscular y articular durante la producción del habla.
Este trabajo propone un conjunto de parámetros acústicos compactos, interpretables y sin entrenamiento para la detección de atributos de timbre vocal, los cuales superan a las características cepstrales convencionales y a las incrustaciones de redes neuronales supervisadas, acercándose al rendimiento de los modelos auto-supervisados más avanzados.
Este trabajo presenta PolyBench, un nuevo benchmark diseñado para evaluar el razonamiento composicional en audio polifónico, revelando que los modelos de lenguaje de audio actuales enfrentan un cuello de botella fundamental al procesar múltiples eventos sonoros simultáneos.
Este artículo presenta BabAR, un sistema de reconocimiento fonético multilingüe entrenado en el corpus TinyVox que permite analizar la producción del habla infantil a gran escala y validar medidas automáticas de madurez del habla que se alinean con estimaciones de desarrollo.
Este artículo presenta la VI-NBFNet, una red neuronal de formación de haces que integra señales de micrófono y movimientos labiales extraídos de un modelo visual para mejorar la robustez y el rendimiento de la realce de voz en entornos complejos con hablantes estáticos o dinámicos.
Este trabajo evalúa once algoritmos de fusión de modelos para la adaptación multi-dominio en reconocimiento automático de habla en portugués europeo, proponiendo el nuevo método BoostedTSV-M que supera al ajuste completo manteniendo la generalización fuera de distribución en un único modelo.
El artículo presenta MSpoof-TTS, un marco de inferencia libre de entrenamiento que mejora la síntesis de voz discreta mediante la detección de falsificaciones a múltiples resoluciones y una estrategia de decodificación jerárquica para eliminar candidatos de baja calidad sin modificar los parámetros del modelo.
Este trabajo propone un marco probabilístico de incertidumbre y una arquitectura de red neuronal con salidas anticipadas para la separación de voz, permitiendo escalar dinámicamente el cómputo en dispositivos heterogéneos sin comprometer la calidad de la reconstrucción.
El artículo presenta LadderSym, un modelo Transformer multimodal que mejora significativamente la detección de errores en la práctica musical al utilizar un codificador de doble flujo con alineación entre corrientes y representaciones simbólicas como prompts, superando así las limitaciones de los métodos anteriores en conjuntos de datos como MAESTRO-E y CocoChorales-E.
Este artículo presenta CMI-RewardBench, un ecosistema integral que incluye un nuevo benchmark, conjuntos de datos de preferencias y modelos de recompensa eficientes para evaluar y alinear modelos de generación musical con instrucciones multimodales compuestas.
El artículo presenta SemKey, un marco innovador que supera las limitaciones actuales en la decodificación de EEG a texto mediante la guía semántica desacoplada y la alineación estricta con señales neurales, logrando así una generación libre de alucinaciones y una evaluación más robusta que las métricas tradicionales como BLEU.
El estudio presenta SMMA, un marco automatizado basado en aprendizaje profundo que mide con precisión el grosor del músculo geniohioideo durante el habla, permitiendo investigaciones escalables sobre el control motor del habla y la evaluación de trastornos de la deglución.
El artículo presenta ACES, un método de auditoría basado en representaciones que identifica subespacios de acento de baja dimensión en modelos de reconocimiento automático de voz como herramientas diagnósticas esenciales, revelando que la información del acento está profundamente entrelazada con las señales críticas para el reconocimiento y que su supresión lineal no mejora la equidad.
Este informe técnico presenta el sistema del equipo CP-JKU para el Desafío MSR de ICASSP 2025, que aborda la restauración de fuentes musicales mediante un enfoque de dos etapas: primero, un separador BandSplit-RoFormer que predice ocho stems mediante un entrenamiento curricular en tres fases, y segundo, un restaurador de ondas HiFi++ GAN especializado en expertos específicos para cada instrumento.