141 artigos
O artigo apresenta o RA-QA, um novo sistema de benchmarking que harmoniza dados públicos em 9 milhões de pares de perguntas e respostas multimodais para avaliar a robustez de modelos de IA na análise de áudio respiratório sob condições de heterogeneidade do mundo real.
O artigo apresenta o Aurchestra, o primeiro sistema capaz de oferecer controle sonoro granular e em tempo real em dispositivos auditivos com recursos limitados, permitindo que os usuários ajustem independentemente os volumes de até cinco fontes sonoras simultâneas por meio de uma interface dinâmica e uma rede de extração multi-saída otimizada.
O artigo apresenta o VoxKnesset, um novo conjunto de dados aberto e longitudinal com cerca de 2.300 horas de discurso parlamentar em hebraico (2009-2025) de 393 falantes, destinado a avaliar e melhorar a modelagem de sistemas de processamento de fala para o envelhecimento vocal.
O artigo descreve o desafio DISPLACE-M, um benchmark para sistemas de conversação em saúde que apresenta um conjunto de dados médico com diálogos reais entre trabalhadores de saúde e pacientes, além de estabelecer linhas de base e métricas de avaliação para tarefas como diarização de falantes, reconhecimento de fala, identificação de tópicos e sumarização de diálogos.
Este artigo apresenta o Corpus PARLO de Demência, o primeiro recurso público e validado clinicamente em alemão, composto por gravações de fala e metadados detalhados de pacientes com doença de Alzheimer e controles saudáveis, visando facilitar a detecção não invasiva e escalável de comprometimento cognitivo por meio de análise de fala.
Este artigo apresenta uma avaliação sistemática de estratégias de agrupamento temporal para detecção de sons anômalos sem treinamento, propondo o agrupamento por desvio relativo (RDP) e uma estratégia híbrida que superam consistentemente o agrupamento por média e alcançam o estado da arte em cinco conjuntos de dados de referência.
Este artigo apresenta a primeira aquisição simultânea de vídeo de ressonância magnética em tempo real, EEG e EMG de superfície para capturar movimentos articulares, atividade muscular e sinais cerebrais durante a produção da fala, introduzindo um pipeline de supressão de artefatos para superar os desafios técnicos dessa abordagem multimodal.
Este trabalho propõe um conjunto compacto de parâmetros acústicos interpretáveis e livres de treinamento para a detecção de atributos de timbre vocal, demonstrando desempenho competitivo em relação a modelos supervisionados e auto-supervisionados complexos, ao mesmo tempo que oferece eficiência computacional e clareza sobre as características físicas da percepção humana.
Este trabalho apresenta o PolyBench, um novo benchmark projetado para avaliar o raciocínio composicional em áudio polifônico, revelando que os atuais Modelos de Linguagem de Áudio (LALMs) sofrem degradação consistente de desempenho ao lidar com múltiplos eventos sonoros simultâneos.
O artigo apresenta o BabAR, um sistema de reconhecimento fonético multilíngue para fala infantil treinado no corpus TinyVox, que demonstra alta eficácia na análise do desenvolvimento da fala de crianças ao alinhar medidas automáticas de maturidade com estimativas científicas.
O artigo propõe a rede neural de formação de feixe informada visualmente (VI-NBFNet), que integra processamento de sinais de microfone em array e redes neurais profundas utilizando movimentos labiais extraídos de modelos de reconhecimento visual para melhorar a robustez e o desempenho do aprimoramento de fala em cenários complexos e com ruído.
Este estudo avalia 11 algoritmos de fusão de modelos para adaptação multido-mínio em reconhecimento automático de fala (ASR) em português europeu, propondo o novo método BoostedTSV-M que supera o ajuste fino completo em precisão e estabilidade numérica enquanto preserva a generalização.
O artigo apresenta o MSpoof-TTS, um framework de inferência sem treinamento que aprimora a síntese de fala baseada em codecs discretos através de uma estratégia de decodificação hierárquica guiada por detecção de falsificação em múltiplas resoluções, eliminando a necessidade de reotimização ou ajuste de parâmetros do modelo.
Este artigo propõe uma arquitetura de rede neural com saída antecipada e um framework probabilístico de incerteza para separação e aprimoramento de fala, permitindo a economia dinâmica de recursos computacionais em dispositivos heterogêneos sem comprometer a qualidade da reconstrução do sinal.
Este artigo apresenta o LadderSym, um novo método baseado em Transformer que utiliza um codificador de dois fluxos com alinhamento interfluxo e uma estratégia multimodal com prompts simbólicos para detectar erros na prática musical com desempenho superior ao estado da arte.
Este artigo apresenta o CMI-RewardBench, um ecossistema abrangente que inclui um novo benchmark, conjuntos de dados de preferência e modelos de recompensa eficientes para avaliar e alinhar modelos de geração musical com instruções multimodais compostas, demonstrando forte correlação com julgamentos humanos e capacidade de escalabilidade durante a inferência.
O artigo apresenta o SemKey, um novo framework que supera as limitações atuais na decodificação de EEG para texto ao alinhar a geração com os sinais neurais através de objetivos semânticos desacoplados e prompts estruturados, eliminando alucinações e oferecendo métricas de avaliação mais robustas que o BLEU.
O estudo apresenta o SMMA, um quadro automatizado baseado em deep learning que mede com precisão a espessura do músculo geniohioide durante a fala, permitindo a análise em larga escala da dinâmica muscular e a distinção de padrões de ativação entre vogais e diferenças sexuais.
O artigo apresenta o ACES, uma auditoria centrada em representações que identifica subespaços de baixo dimensão onde as informações de sotaque se concentram e se entrelaçam com características críticas para o reconhecimento, demonstrando que a simples eliminação desses subespaços não reduz disparidades e que eles são mais eficazes como ferramentas de diagnóstico do que como alavancas diretas para equidade.
Este relatório técnico apresenta o sistema da equipe CP-JKU para o Desafio ICASSP 2025 de Restauração de Fontes Musicais, que combina um separador BandSplit-RoFormer treinado com currículo de três estágios para isolar oito stems e um restaurador HiFi++ GAN especializado por instrumento para recuperar a qualidade do áudio original.