ストッターを持つ人のための包括的な自動音声認識：大規模自己教師あり学習、ターゲットファインチューニング、およびデータ拡張を組み合わせた手法
ストッターを持つ人のための自動音声認識の精度を向上させるため、大規模な自己教師あり学習に基づくモデルのファインチューニングと、ストッターに特化したデータ拡張手法を組み合わせた手法を提案する。
高度カスタマイズ可能な移動音源シミュレーションプラットフォーム「SonicSim」
SonicSimは、移動音源シナリオにおける音声分離と音声強調のための高度にカスタマイズ可能な合成データ生成ツールである。
効率的な音声分離のための時間周波数領域の相互結合型ゲイン抽出と再構築
時間周波数領域の相互結合型ゲイン抽出と再構築を用いた効率的な音声分離モデルTIGERを提案する。
ゼロショットボイスコンバージョンのための高度な言語コンテンツとメモリ拡張コンテキスト対応音色モデリングを用いたTakin-VC
Takin-VCは、言語コンテンツと音色の高度なモデリングを統合することで、従来のゼロショットボイスコンバージョンシステムを大幅に改善し、話者類似度と自然性を向上させる。
950,000時間の音声データを使用したEU言語向けオープンソース音声基盤モデル訓練
本研究では、EU 24か国の公用語に対応したオープンソース音声基盤モデル(EU-OSSFM)の開発に向けて、950,000時間の音声データを収集した。さらに、441,000時間の無ラベル音声データに対して自動トランスクリプションを生成し、オープンソースライセンスで公開した。
言語に依存しない適応的で効果的な音声抽出アプローチ - WHYV
WHYVは、話者情報を活用して、言語に依存せずに効果的に目標話者の音声を抽出することができる。
FeruzaSpeechコーパス: 標点、大文字小文字、文脈付きのウズベク語60時間の朗読音声コーパス
FeruzaSpeechは、ウズベク語の音声認識とテキスト読み上げの技術開発を促進するための、高品質な単一話者の朗読音声コーパスである。
合成スピーカーを用いたターゲットスピーカー抽出のためのカリキュラム学習の改善
合成スピーカーを用いたカリキュラム学習によって、ターゲットスピーカー抽出の性能を大幅に向上させることができる。
音声言語モデリングの改善：単純なファインチューニングアプローチ
音声表現モデルのフォノーム分類タスクへのファインチューニングは、文脈非依存の表現を学習させ、下流の言語モデリングパフォーマンスを向上させる。
条件付き変分オートエンコーダを用いたアクセントを持つテキスト音声合成
条件付き変分オートエンコーダを用いて、話者のアイデンティティを保ちつつ、任意のアクセントで音声を合成する手法を提案する。
© 2024 by Linnk AI