Buchumschlag

Efficient Parallel Audio Generation using Group Masked Language Modeling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jeong, Myeonghun, Kim, Minchan, Lee, Joun Yeop, Kim, Nam Soo
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Audio and Speech Processing Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SegINR: Segment-wise Implicit Neural Representation for Sequence Alignment in Neural Text-to-Speech
von: Kim, Minchan, et al.
Veröffentlicht: (2024)

High Fidelity Text-to-Speech Via Discrete Tokens Using Token Transducer and Group Masked Language Model
von: Lee, Joun Yeop, et al.
Veröffentlicht: (2024)

Utilizing Neural Transducers for Two-Stage Text-to-Speech via Semantic Token Prediction
von: Kim, Minchan, et al.
Veröffentlicht: (2024)

MakeSinger: A Semi-Supervised Training Method for Data-Efficient Singing Voice Synthesis via Classifier-free Diffusion Guidance
von: Kim, Semin, et al.
Veröffentlicht: (2024)

KAD: No More FAD! An Effective and Efficient Evaluation Metric for Audio Generation
von: Chung, Yoonjin, et al.
Veröffentlicht: (2025)

Masked Audio Generation using a Single Non-Autoregressive Transformer
von: Ziv, Alon, et al.
Veröffentlicht: (2024)

AudioGenX: Explainability on Text-to-Audio Generative Models
von: Kang, Hyunju, et al.
Veröffentlicht: (2025)

Whisfusion: Parallel ASR Decoding via a Diffusion Transformer
von: Kwon, Taeyoun, et al.
Veröffentlicht: (2025)

Guiding Audio Editing with Audio Language Model
von: Lan, Zitong, et al.
Veröffentlicht: (2025)

D3RM: A Discrete Denoising Diffusion Refinement Model for Piano Transcription
von: Kim, Hounsu, et al.
Veröffentlicht: (2025)

FADEL: Uncertainty-aware Fake Audio Detection with Evidential Deep Learning
von: Kang, Ju Yeon, et al.
Veröffentlicht: (2025)

Alternating Approach-Putt Models for Multi-Stage Speech Enhancement
von: Jeong, Iksoon, et al.
Veröffentlicht: (2025)

On the de-duplication of the Lakh MIDI dataset
von: Choi, Eunjin, et al.
Veröffentlicht: (2025)

Towards Maximum Likelihood Training for Transducer-based Streaming Speech Recognition
von: Lee, Hyeonseung, et al.
Veröffentlicht: (2024)

MaskSR: Masked Language Model for Full-band Speech Restoration
von: Li, Xu, et al.
Veröffentlicht: (2024)

PC-MCL: Patient-Consistent Multi-Cycle Learning with multi-label bias correction for respiratory sound classification
von: Jeong, Seung Gyu, et al.
Veröffentlicht: (2026)

Benchmarking Language Modeling for Lossless Compression of Full-Fidelity Audio
von: Long, Phillip, et al.
Veröffentlicht: (2026)

NatureLM-audio: an Audio-Language Foundation Model for Bioacoustics
von: Robinson, David, et al.
Veröffentlicht: (2024)

Audio-Based Pedestrian Detection in the Presence of Vehicular Noise
von: Kim, Yonghyun, et al.
Veröffentlicht: (2025)

MaskGCT: Zero-Shot Text-to-Speech with Masked Generative Codec Transformer
von: Wang, Yuancheng, et al.
Veröffentlicht: (2024)

PoDAR: Power-Disentangled Audio Representation for Generative Modeling
von: Luebs, Alejandro, et al.
Veröffentlicht: (2026)

Expressive Acoustic Guitar Sound Synthesis with an Instrument-Specific Input Representation and Diffusion Outpainting
von: Kim, Hounsu, et al.
Veröffentlicht: (2024)

Multi-Microphone Speech Emotion Recognition using the Hierarchical Token-semantic Audio Transformer Architecture
von: Cohen, Ohad, et al.
Veröffentlicht: (2024)

LongAudio-RAG: Event-Grounded Question Answering over Multi-Hour Long Audio
von: Vakada, Naveen, et al.
Veröffentlicht: (2026)

Diffused Responsibility: Analyzing the Energy Consumption of Generative Text-to-Audio Diffusion Models
von: Passoni, Riccardo, et al.
Veröffentlicht: (2025)

Scaling Ambiguity: Augmenting Human Annotation in Speech Emotion Recognition with Audio-Language Models
von: Zhang, Wenda, et al.
Veröffentlicht: (2026)

Diffusion-Link: Diffusion Probabilistic Model for Bridging the Audio-Text Modality Gap
von: Nam, KiHyun, et al.
Veröffentlicht: (2025)

Metis: A Foundation Speech Generation Model with Masked Generative Pre-training
von: Wang, Yuancheng, et al.
Veröffentlicht: (2025)

A Survey of Deep Learning Audio Generation Methods
von: Božić, Matej, et al.
Veröffentlicht: (2024)

Jailbreak-AudioBench: In-Depth Evaluation and Analysis of Jailbreak Threats for Large Audio Language Models
von: Cheng, Hao, et al.
Veröffentlicht: (2025)

Generalizable Prompt Tuning for Audio-Language Models via Semantic Expansion
von: Jang, Jaehyuk, et al.
Veröffentlicht: (2026)

Unbiased Sliced Wasserstein Kernels for High-Quality Audio Captioning
von: Luong, Manh, et al.
Veröffentlicht: (2025)

T-FOLEY: A Controllable Waveform-Domain Diffusion Model for Temporal-Event-Guided Foley Sound Synthesis
von: Chung, Yoonjin, et al.
Veröffentlicht: (2024)

EVA-GAN: Enhanced Various Audio Generation via Scalable Generative Adversarial Networks
von: Liao, Shijia, et al.
Veröffentlicht: (2024)

ViolinDiff: Enhancing Expressive Violin Synthesis with Pitch Bend Conditioning
von: Kim, Daewoong, et al.
Veröffentlicht: (2024)

A Data-Driven Diffusion-based Approach for Audio Deepfake Explanations
von: Grinberg, Petr, et al.
Veröffentlicht: (2025)

GenTSE: Enhancing Target Speaker Extraction via a Coarse-to-Fine Generative Language Model
von: Li, Haoyang, et al.
Veröffentlicht: (2025)

Prompt-guided Precise Audio Editing with Diffusion Models
von: Xu, Manjie, et al.
Veröffentlicht: (2024)

Purification Before Fusion: Toward Mask-Free Speech Enhancement for Robust Audio-Visual Speech Recognition
von: Wu, Linzhi, et al.
Veröffentlicht: (2026)

MagiCodec: Simple Masked Gaussian-Injected Codec for High-Fidelity Reconstruction and Generation
von: Song, Yakun, et al.
Veröffentlicht: (2025)