141 articles
L'article propose ImKWS, une méthode d'adaptation au moment du test pour la détection de mots-clés qui surmonte les déséquilibres de classes et le bruit environnemental en divisant le processus de minimisation de l'entropie en branches de récompense et de pénalité distinctes, assurant ainsi une adaptation fiable sans données étiquetées.
Ce papier présente JHCodec, un codec audio neuronal qui utilise une perte de reconstruction de représentations auto-supervisées (SSRR) pour atteindre un état de l'art en intelligibilité et en faible latence tout en réduisant les coûts d'entraînement.
Cette étude propose une méthode postérieure et sans réentraînement, basée sur l'orientation des activations, pour neutraliser l'accent tout en préservant le timbre de la voix dans les modèles de synthèse vocale zéro-shot.
L'article présente StreamVoiceAnon+, une méthode d'anonymisation vocale en flux qui préserve les émotions grâce à un affinage supervisé et une distillation au niveau des trames, améliorant significativement la rétention émotionnelle tout en maintenant une faible latence et une forte confidentialité.
Le papier présente Whisper-CD, un cadre de décodage contrastif sans entraînement qui élimine les hallucinations et les boucles de répétition dans la reconnaissance vocale longue en comparant les logits d'audio propre à ceux générés par des perturbations acoustiques négatives, réduisant ainsi le taux d'erreur de 24,3 points tout en accélérant la génération de 48 %.
Cette étude empirique démontre que l'adaptation des modèles de reconnaissance vocale aux langues autochtones du Pacifique, bien que cruciale pour pallier le manque de données, se heurte à un dilemme entre plasticité et stabilité, où des méthodes comme LoRA échouent à éviter l'oubli catastrophique lors de l'apprentissage continu de multiples langues.
Cette étude croisée examine les capacités de classification automatique de la parole d'enfants autistes et non autistes en finnois, français et slovaque, révélant que si certains marqueurs acoustiques sont partagés, la généralisation inter-langues reste limitée et nécessite une modélisation adaptée à chaque langue.
Cette étude multilingue (finnois, français, slovaque) révèle que le profil prosodique des enfants autistes se caractérise par des marqueurs acoustiques distincts et potentiellement universels, notamment une variabilité accrue de l'intensité et une qualité de voix plus claire, remettant ainsi en question les modèles basés sur la déficience.
Ce papier présente un système robuste et open-source qui combine une diarisation neuronale avancée et un modèle de reconnaissance vocale adapté pour extraire efficacement les conditions médicales des dialogues cliniques en Hinglish, ayant remporté la première place du défi DISPLACE-M.
Cet article propose une approche communautaire pour développer des outils d'intelligence artificielle capables d'analyser les vidéos de caméras corporelles de la police, en intégrant les perspectives de divers acteurs grâce à la collaboration de scientifiques sociaux afin d'améliorer la transparence et la responsabilité gouvernementale.
Cet article présente la première revue systématique des modèles audio-langage, offrant une couverture complète de leurs architectures, objectifs d'entraînement et paysages de recherche pour guider les développements futurs dans la compréhension des scènes audio complexes.
Cet article présente une méthode légère d'adaptation textuelle pour les systèmes de reconnaissance automatique de la parole basés sur les grands modèles de langage, qui traite le processus comme une tâche de débruitage de texte afin d'adapter le modèle à de nouveaux domaines tout en préservant l'alignement crucial entre les modalités parole et texte, surpassant ainsi les méthodes existantes.
Cette étude démontre que les modèles de parole auto-supervisés encodent l'information phonétique sous forme de vecteurs interprétables et compositionnels, permettant d'effectuer des opérations arithmétiques vectorielles pour modéliser les traits phonologiques et leurs réalisations acoustiques continues à travers 96 langues.
Ce papier présente V2A-DPO, un cadre d'optimisation directe des préférences innovant conçu pour aligner les modèles de génération vidéo-vers-audio sur les préférences humaines grâce à un système de notation AudioScore, une pipeline automatisée de données de préférence et une stratégie d'apprentissage par curriculum, surpassant ainsi les méthodes existantes sur le jeu de données VGGSound.
Cette étude explore l'utilisation d'un modèle de langage entraîné sur la parole pour localiser des mots falsifiés dans un discours partiellement truqué, révélant que le modèle s'appuie principalement sur des motifs d'édition spécifiques appris lors de l'entraînement, ce qui soulève des questions sur sa capacité à généraliser à des styles d'édition non vus.
Cette étude propose l'utilisation de modèles pré-entraînés, en particulier une configuration optimisée de XLS-R, pour détecter avec une grande précision les segments de toux dans des enregistrements audio provenant de patients suspects de tuberculose en Afrique, démontrant ainsi la faisabilité d'intégrer ces outils dans des applications de dépistage automatisé sur smartphone.
Cette proposition de décodage spéculatif auto-dirigé, qui utilise un encodeur CTC comme modèle de brouillon pour accélérer l'inférence des modèles de langage dans la reconnaissance automatique de la parole, permet d'obtenir simultanément une réduction du taux d'erreur et une accélération significative de la vitesse de décodage sur plusieurs corpus et langues.
Le papier présente Fair-Gate, un cadre de contrôle de risque interprétable qui atténue les biais liés au sexe dans la biométrie vocale en combinant l'extrapolation du risque et un mécanisme de routage de caractéristiques pour améliorer l'équité sans sacrifier la précision.
Cette étude démontre que le préentraînement continu du modèle wav2vec2-bert-2.0, combinant données non étiquetées et un jeu de données limité, permet d'atteindre des performances de reconnaissance automatique de la parole en swahili inédites avec une réduction de 82 % du taux d'erreur par rapport à la ligne de base.
Ce papier présente AnimeScore, un cadre d'évaluation basé sur les préférences et un jeu de données de 15 000 jugements par paires qui permettent d'automatiser l'évaluation du style vocal « anime » en identifiant que la perception de ce style repose sur la résonance, la continuité prosodique et l'articulation plutôt que sur la simple hauteur de voix, atteignant jusqu'à 90,8 % de précision avec des modèles de ranking basés sur l'apprentissage auto-supervisé.