
XLAVS-R enhances noise-robust speech perception through cross-lingual audio-visual representation learning.


coremsg

xlavs-r-cross-lingual-audio-visual-speech-representation-learning-for-noise-robust-speech-perception


XLAVS-R: Cross-Lingual Audio-Visual Speech Representation Learning for Noise-Robust Speech Perception



XLAVS-Rは、100以上の言語でノイズに強い音声認識と翻訳を可能にするクロスリンガルオーディオビジュアル音声表現モデルです。
