Buchumschlag

Multimodal Belief Prediction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Murzaku, John, Soubki, Adil, Rambow, Owen
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language Machine Learning Sound Audio and Speech Processing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Synthetic Audio Helps for Cognitive State Tasks
von: Soubki, Adil, et al.
Veröffentlicht: (2025)

Analyzing Multimodal Features of Spontaneous Voice Assistant Commands for Mild Cognitive Impairment Detection
von: Lin, Nana, et al.
Veröffentlicht: (2024)

Towards Robust FastSpeech 2 by Modelling Residual Multimodality
von: Kögel, Fabian, et al.
Veröffentlicht: (2023)

TelME: Teacher-leading Multimodal Fusion Network for Emotion Recognition in Conversation
von: Yun, Taeyang, et al.
Veröffentlicht: (2024)

Towards Early Prediction of Self-Supervised Speech Model Performance
von: Whetten, Ryan, et al.
Veröffentlicht: (2025)

Predicting User Intents and Musical Attributes from Music Discovery Conversations
von: Kwon, Daeyong, et al.
Veröffentlicht: (2024)

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

In-Sync: Adaptation of Speech Aware Large Language Models for ASR with Word Level Timestamp Predictions
von: Fan, Xulin, et al.
Veröffentlicht: (2026)

MuChoMusic: Evaluating Music Understanding in Multimodal Audio-Language Models
von: Weck, Benno, et al.
Veröffentlicht: (2024)

Attentive Fusion: A Transformer-based Approach to Multimodal Hate Speech Detection
von: Mandal, Atanu, et al.
Veröffentlicht: (2024)

ETTA: Elucidating the Design Space of Text-to-Audio Models
von: Lee, Sang-gil, et al.
Veröffentlicht: (2024)

Sortformer: A Novel Approach for Permutation-Resolved Speaker Supervision in Speech-to-Text Systems
von: Park, Taejin, et al.
Veröffentlicht: (2024)

Introduction to speech recognition
von: Dauphin, Gabriel
Veröffentlicht: (2024)

AVCap: Leveraging Audio-Visual Features as Text Tokens for Captioning
von: Kim, Jongsuk, et al.
Veröffentlicht: (2024)

An Analysis of Linear Complexity Attention Substitutes with BEST-RQ
von: Whetten, Ryan, et al.
Veröffentlicht: (2024)

A Closer Look at Neural Codec Resynthesis: Bridging the Gap between Codec and Waveform Generation
von: Liu, Alexander H., et al.
Veröffentlicht: (2024)

On the Semantic Latent Space of Diffusion-Based Text-to-Speech Models
von: Varshavsky-Hassid, Miri, et al.
Veröffentlicht: (2024)

Speech Robust Bench: A Robustness Benchmark For Speech Recognition
von: Shah, Muhammad A., et al.
Veröffentlicht: (2024)

Property Neurons in Self-Supervised Speech Transformers
von: Lin, Tzu-Quan, et al.
Veröffentlicht: (2024)

Beyond Turn-Based Interfaces: Synchronous LLMs as Full-Duplex Dialogue Agents
von: Veluri, Bandhav, et al.
Veröffentlicht: (2024)

Rethinking MUSHRA: Addressing Modern Challenges in Text-to-Speech Evaluation
von: Varadhan, Praveen Srinivasa, et al.
Veröffentlicht: (2024)

Africa-Centric Self-Supervised Pre-Training for Multilingual Speech Representation in a Sub-Saharan Context
von: Caubrière, Antoine, et al.
Veröffentlicht: (2024)

Usefulness of Emotional Prosody in Neural Machine Translation
von: Brazier, Charles, et al.
Veröffentlicht: (2024)

Conformer-1: Robust ASR via Large-Scale Semisupervised Bootstrapping
von: Zhang, Kevin, et al.
Veröffentlicht: (2024)

XLS-R Deep Learning Model for Multilingual ASR on Low- Resource Languages: Indonesian, Javanese, and Sundanese
von: Arisaputra, Panji, et al.
Veröffentlicht: (2024)

Exploring Pathological Speech Quality Assessment with ASR-Powered Wav2Vec2 in Data-Scarce Context
von: Nguyen, Tuan, et al.
Veröffentlicht: (2024)

Energy-Based Models with Applications to Speech and Language Processing
von: Ou, Zhijian
Veröffentlicht: (2024)

Disentangling Textual and Acoustic Features of Neural Speech Representations
von: Mohebbi, Hosein, et al.
Veröffentlicht: (2024)

Moonshine: Speech Recognition for Live Transcription and Voice Commands
von: Jeffries, Nat, et al.
Veröffentlicht: (2024)

Investigating Disentanglement in a Phoneme-level Speech Codec for Prosody Modeling
von: Karapiperis, Sotirios, et al.
Veröffentlicht: (2024)

Robust and Explainable Depression Identification from Speech Using Vowel-Based Ensemble Learning Approaches
von: Feng, Kexin, et al.
Veröffentlicht: (2024)

How Redundant Is the Transformer Stack in Speech Representation Models?
von: Dorszewski, Teresa, et al.
Veröffentlicht: (2024)

Papez: Resource-Efficient Speech Separation with Auditory Working Memory
von: Oh, Hyunseok, et al.
Veröffentlicht: (2024)

A light-weight and efficient punctuation and word casing prediction model for on-device streaming ASR
von: You, Jian, et al.
Veröffentlicht: (2024)

Enhancing Out-of-Vocabulary Performance of Indian TTS Systems for Practical Applications through Low-Effort Data Strategies
von: Anand, Srija, et al.
Veröffentlicht: (2024)

Spontaneous Style Text-to-Speech Synthesis with Controllable Spontaneous Behaviors Based on Language Models
von: Li, Weiqin, et al.
Veröffentlicht: (2024)

Meta Learning Text-to-Speech Synthesis in over 7000 Languages
von: Lux, Florian, et al.
Veröffentlicht: (2024)

CA-SSLR: Condition-Aware Self-Supervised Learning Representation for Generalized Speech Processing
von: Lu, Yen-Ju, et al.
Veröffentlicht: (2024)

A multilingual training strategy for low resource Text to Speech
von: Amalas, Asma, et al.
Veröffentlicht: (2024)

Understanding Sounds, Missing the Questions: The Challenge of Object Hallucination in Large Audio-Language Models
von: Kuan, Chun-Yi, et al.
Veröffentlicht: (2024)