Buchumschlag

Noise-Robust Keyword Spotting through Self-supervised Pretraining

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mørk, Jacob, Bovbjerg, Holger Severin, Kiss, Gergely, Tan, Zheng-Hua
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Audio and Speech Processing Machine Learning Sound 68T10 I.2.6
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Self-supervised Pretraining for Robust Personalized Voice Activity Detection in Adverse Conditions
von: Bovbjerg, Holger Severin, et al.
Veröffentlicht: (2023)

Noise-Robust Target-Speaker Voice Activity Detection Through Self-Supervised Pretraining
von: Bovbjerg, Holger Severin, et al.
Veröffentlicht: (2025)

Learning Robust Spatial Representations from Binaural Audio through Feature Distillation
von: Bovbjerg, Holger Severin, et al.
Veröffentlicht: (2025)

Rethinking Masking Strategies for Masked Prediction-based Audio Self-supervised Learning
von: Niizumi, Daisuke, et al.
Veröffentlicht: (2026)

Joint Feature and Output Distillation for Low-complexity Acoustic Scene Classification
von: Li, Haowen, et al.
Veröffentlicht: (2025)

KinSPEAK: Improving speech recognition for Kinyarwanda via semi-supervised learning methods
von: Nzeyimana, Antoine
Veröffentlicht: (2023)

Audio-based Kinship Verification Using Age Domain Conversion
von: Sun, Qiyang, et al.
Veröffentlicht: (2024)

ChordSync: Conformer-Based Alignment of Chord Annotations to Music Audio
von: Poltronieri, Andrea, et al.
Veröffentlicht: (2024)

Symbolic Audio Classification via Modal Decision Tree Learning
von: Marzano, Enrico, et al.
Veröffentlicht: (2025)

Make Some Noise: Towards LLM audio reasoning and generation using sound tokens
von: Mehta, Shivam, et al.
Veröffentlicht: (2025)

TuneGenie: Reasoning-based LLM agents for preferential music generation
von: Pandey, Amitesh, et al.
Veröffentlicht: (2025)

Passive Underwater Acoustic Signal Separation based on Feature Decoupling Dual-path Network
von: Liu, Yucheng, et al.
Veröffentlicht: (2025)

Local Diagnostics of Continuous Normalizing Flow for Out-of-Distribution Detection
von: Cao, Xinwei, et al.
Veröffentlicht: (2026)

SemAlignVC: Enhancing zero-shot timbre conversion using semantic alignment
von: Mehta, Shivam, et al.
Veröffentlicht: (2025)

Experimental Study: Enhancing Voice Spoofing Detection Models with wav2vec 2.0
von: Kang, Taein, et al.
Veröffentlicht: (2024)

NTC-KWS: Noise-aware CTC for Robust Keyword Spotting
von: Xi, Yu, et al.
Veröffentlicht: (2024)

Beyond Deep Learning: Speech Segmentation and Phone Classification with Neural Assemblies
von: Adelson, Trevor, et al.
Veröffentlicht: (2026)

Should you use a probabilistic duration model in TTS? Probably! Especially for spontaneous speech
von: Mehta, Shivam, et al.
Veröffentlicht: (2024)

A Multimodal Symphony: Integrating Taste and Sound through Generative AI
von: Spanio, Matteo, et al.
Veröffentlicht: (2025)

Quantization-Based Score Calibration for Few-Shot Keyword Spotting with Dynamic Time Warping in Noisy Environments
von: Wilkinghoff, Kevin, et al.
Veröffentlicht: (2025)

Quantum-Enhanced Analysis and Grading of Vocal Performance
von: Agarwal, Rohan
Veröffentlicht: (2025)

Modeling L1 Influence on L2 Pronunciation: An MFCC-Based Framework for Explainable Machine Learning and Pedagogical Feedback
von: Jahanbin, Peyman
Veröffentlicht: (2025)

CAST-TTS: A Simple Cross-Attention Framework for Unified Timbre Control in TTS
von: Zheng, Zihao, et al.
Veröffentlicht: (2026)

PicoAudio2: Temporal Controllable Text-to-Audio Generation with Natural Language Description
von: Zheng, Zihao, et al.
Veröffentlicht: (2025)

FakeSound: Deepfake General Audio Detection
von: Xie, Zeyu, et al.
Veröffentlicht: (2024)

GraFPrint: A GNN-Based Approach for Audio Identification
von: Bhattacharjee, Aditya, et al.
Veröffentlicht: (2024)

Audio Foundation Models Outperform Symbolic Representations for Piano Performance Evaluation
von: Dhiman, Jai
Veröffentlicht: (2026)

Scalable Evaluation for Audio Identification via Synthetic Latent Fingerprint Generation
von: Bhattacharjee, Aditya, et al.
Veröffentlicht: (2025)

Masked Self-distilled Transducer-based Keyword Spotting with Semi-autoregressive Decoding
von: Xi, Yu, et al.
Veröffentlicht: (2025)

Prevailing Research Areas for Music AI in the Era of Foundation Models
von: Wei, Megan, et al.
Veröffentlicht: (2024)

Matcha-TTS: A fast TTS architecture with conditional flow matching
von: Mehta, Shivam, et al.
Veröffentlicht: (2023)

HELIX: Scaling Raw Audio Understanding with Hybrid Mamba-Attention Beyond the Quadratic Limit
von: Khushiyant, et al.
Veröffentlicht: (2026)

Enhancing Few-shot Keyword Spotting Performance through Pre-Trained Self-supervised Speech Models
von: Gok, Alican, et al.
Veröffentlicht: (2025)

Fine-tuning Pre-trained Audio Models for COVID-19 Detection: A Technical Report
von: de Brito, Daniel Oliveira, et al.
Veröffentlicht: (2025)

Deepfake audio as a data augmentation technique for training automatic speech to text transcription models
von: Ferreira, Alexandre R., et al.
Veröffentlicht: (2023)

Keyword Mamba: Spoken Keyword Spotting with State Space Models
von: Ding, Hanyu, et al.
Veröffentlicht: (2025)

AdaKWS: Towards Robust Keyword Spotting with Test-Time Adaptation
von: Xiao, Yang, et al.
Veröffentlicht: (2025)

STAR: Speech-to-Audio Generation via Representation Learning
von: Xie, Zeyu, et al.
Veröffentlicht: (2025)

FakeSound2: A Benchmark for Explainable and Generalizable Deepfake Sound Detection
von: Xie, Zeyu, et al.
Veröffentlicht: (2025)

PicoAudio: Enabling Precise Timestamp and Frequency Controllability of Audio Events in Text-to-audio Generation
von: Xie, Zeyu, et al.
Veröffentlicht: (2024)