Acquiring Pronunciation Knowledge from Transcribed Speech Audio via Multi-task Learning
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Sun, Siqi, Richmond, Korin |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
AccentBox: Towards High-Fidelity Zero-Shot Accent Generation
par: Zhong, Jinzuomu, et autres
Publié: (2024)
par: Zhong, Jinzuomu, et autres
Publié: (2024)
Pairwise Evaluation of Accent Similarity in Speech Synthesis
par: Zhong, Jinzuomu, et autres
Publié: (2025)
par: Zhong, Jinzuomu, et autres
Publié: (2025)
Rethinking Discrete Speech Representation Tokens for Accent Generation
par: Zhong, Jinzuomu, et autres
Publié: (2026)
par: Zhong, Jinzuomu, et autres
Publié: (2026)
MultiPA: A Multi-task Speech Pronunciation Assessment Model for Open Response Scenarios
par: Chen, Yu-Wen, et autres
Publié: (2023)
par: Chen, Yu-Wen, et autres
Publié: (2023)
GigaSpeech: An Evolving, Multi-domain ASR Corpus with 10,000 Hours of Transcribed Audio
par: Chen, Guoguo, et autres
Publié: (2021)
par: Chen, Guoguo, et autres
Publié: (2021)
Exploring Acoustic Similarity in Emotional Speech and Music via Self-Supervised Representations
par: Sun, Yujia, et autres
Publié: (2024)
par: Sun, Yujia, et autres
Publié: (2024)
Segmentation-Variant Codebooks for Preservation of Paralinguistic and Prosodic Information
par: Sanders, Nicholas, et autres
Publié: (2025)
par: Sanders, Nicholas, et autres
Publié: (2025)
TOGGL: Transcribing Overlapping Speech with Staggered Labeling
par: Li, Chak-Fai, et autres
Publié: (2024)
par: Li, Chak-Fai, et autres
Publié: (2024)
MSR-86K: An Evolving, Multilingual Corpus with 86,300 Hours of Transcribed Audio for Speech Recognition Research
par: Li, Song, et autres
Publié: (2024)
par: Li, Song, et autres
Publié: (2024)
Towards Unsupervised Speech Recognition Without Pronunciation Models
par: Ni, Junrui, et autres
Publié: (2024)
par: Ni, Junrui, et autres
Publié: (2024)
Loquacious Set: 25,000 Hours of Transcribed and Diverse English Speech Recognition Data for Research and Commercial Use
par: Parcollet, Titouan, et autres
Publié: (2025)
par: Parcollet, Titouan, et autres
Publié: (2025)
UtterTune: LoRA-Based Target-Language Pronunciation Edit and Control in Multilingual Text-to-Speech
par: Kato, Shuhei
Publié: (2025)
par: Kato, Shuhei
Publié: (2025)
Multilingual DistilWhisper: Efficient Distillation of Multi-task Speech Models via Language-Specific Experts
par: Ferraz, Thomas Palmeira, et autres
Publié: (2023)
par: Ferraz, Thomas Palmeira, et autres
Publié: (2023)
Large Language Model Can Transcribe Speech in Multi-Talker Scenarios with Versatile Instructions
par: Meng, Lingwei, et autres
Publié: (2024)
par: Meng, Lingwei, et autres
Publié: (2024)
USAD: Universal Speech and Audio Representation via Distillation
par: Chang, Heng-Jui, et autres
Publié: (2025)
par: Chang, Heng-Jui, et autres
Publié: (2025)
SAKURA: On the Multi-hop Reasoning of Large Audio-Language Models Based on Speech and Audio Information
par: Yang, Chih-Kai, et autres
Publié: (2025)
par: Yang, Chih-Kai, et autres
Publié: (2025)
StreamSpeech: Simultaneous Speech-to-Speech Translation with Multi-task Learning
par: Zhang, Shaolei, et autres
Publié: (2024)
par: Zhang, Shaolei, et autres
Publié: (2024)
Transducers with Pronunciation-aware Embeddings for Automatic Speech Recognition
par: Xu, Hainan, et autres
Publié: (2024)
par: Xu, Hainan, et autres
Publié: (2024)
XLAVS-R: Cross-Lingual Audio-Visual Speech Representation Learning for Noise-Robust Speech Perception
par: Han, HyoJung, et autres
Publié: (2024)
par: Han, HyoJung, et autres
Publié: (2024)
PolySpeech: Exploring Unified Multitask Speech Models for Competitiveness with Single-task Models
par: Yang, Runyan, et autres
Publié: (2024)
par: Yang, Runyan, et autres
Publié: (2024)
Fine-Tuning Large Multimodal Models for Automatic Pronunciation Assessment
par: Wang, Ke, et autres
Publié: (2025)
par: Wang, Ke, et autres
Publié: (2025)
Streaming Non-Autoregressive Model for Accent Conversion and Pronunciation Improvement
par: Nguyen, Tuan-Nam, et autres
Publié: (2025)
par: Nguyen, Tuan-Nam, et autres
Publié: (2025)
SPGISpeech 2.0: Transcribed multi-speaker financial audio for speaker-tagged transcription
par: Grossman, Raymond, et autres
Publié: (2025)
par: Grossman, Raymond, et autres
Publié: (2025)
Cross-Lingual Speech Emotion Recognition: Humans vs. Self-Supervised Models
par: Han, Zhichen, et autres
Publié: (2024)
par: Han, Zhichen, et autres
Publié: (2024)
Braille-to-Speech Generator: Audio Generation Based on Joint Fine-Tuning of CLIP and Fastspeech2
par: Xu, Chun, et autres
Publié: (2024)
par: Xu, Chun, et autres
Publié: (2024)
MFSN: Multi-perspective Fusion Search Network For Pre-training Knowledge in Speech Emotion Recognition
par: Sun, Haiyang, et autres
Publié: (2023)
par: Sun, Haiyang, et autres
Publié: (2023)
Conversational Speech Recognition by Learning Audio-textual Cross-modal Contextual Representation
par: Wei, Kun, et autres
Publié: (2023)
par: Wei, Kun, et autres
Publié: (2023)
YODAS: Youtube-Oriented Dataset for Audio and Speech
par: Li, Xinjian, et autres
Publié: (2024)
par: Li, Xinjian, et autres
Publié: (2024)
Classification of Spontaneous and Scripted Speech for Multilingual Audio
par: Elisha, Shahar, et autres
Publié: (2024)
par: Elisha, Shahar, et autres
Publié: (2024)
Exploring the Potential of Large Multimodal Models as Effective Alternatives for Pronunciation Assessment
par: Wang, Ke, et autres
Publié: (2025)
par: Wang, Ke, et autres
Publié: (2025)
Sylber: Syllabic Embedding Representation of Speech from Raw Audio
par: Cho, Cheol Jun, et autres
Publié: (2024)
par: Cho, Cheol Jun, et autres
Publié: (2024)
ZMM-TTS: Zero-shot Multilingual and Multispeaker Speech Synthesis Conditioned on Self-supervised Discrete Speech Representations
par: Gong, Cheng, et autres
Publié: (2023)
par: Gong, Cheng, et autres
Publié: (2023)
Multi-Modal Automatic Prosody Annotation with Contrastive Pretraining of SSWP
par: Zhong, Jinzuomu, et autres
Publié: (2023)
par: Zhong, Jinzuomu, et autres
Publié: (2023)
AudioJudge: Understanding What Works in Large Audio Model Based Speech Evaluation
par: Manakul, Potsawee, et autres
Publié: (2025)
par: Manakul, Potsawee, et autres
Publié: (2025)
Baichuan-Audio: A Unified Framework for End-to-End Speech Interaction
par: Li, Tianpeng, et autres
Publié: (2025)
par: Li, Tianpeng, et autres
Publié: (2025)
Beyond Classification: Towards Speech Emotion Reasoning with Multitask AudioLLMs
par: Zhang, Wenyu, et autres
Publié: (2025)
par: Zhang, Wenyu, et autres
Publié: (2025)
SpeechCLIP+: Self-supervised multi-task representation learning for speech via CLIP and speech-image data
par: Wang, Hsuan-Fu, et autres
Publié: (2024)
par: Wang, Hsuan-Fu, et autres
Publié: (2024)
Lightweight Audio Segmentation for Long-form Speech Translation
par: Lee, Jaesong, et autres
Publié: (2024)
par: Lee, Jaesong, et autres
Publié: (2024)
What Are They Doing? Joint Audio-Speech Co-Reasoning
par: Wang, Yingzhi, et autres
Publié: (2024)
par: Wang, Yingzhi, et autres
Publié: (2024)
Multi-Teacher Language-Aware Knowledge Distillation for Multilingual Speech Emotion Recognition
par: Bijoy, Mehedi Hasan, et autres
Publié: (2025)
par: Bijoy, Mehedi Hasan, et autres
Publié: (2025)
Documents similaires
-
AccentBox: Towards High-Fidelity Zero-Shot Accent Generation
par: Zhong, Jinzuomu, et autres
Publié: (2024) -
Pairwise Evaluation of Accent Similarity in Speech Synthesis
par: Zhong, Jinzuomu, et autres
Publié: (2025) -
Rethinking Discrete Speech Representation Tokens for Accent Generation
par: Zhong, Jinzuomu, et autres
Publié: (2026) -
MultiPA: A Multi-task Speech Pronunciation Assessment Model for Open Response Scenarios
par: Chen, Yu-Wen, et autres
Publié: (2023) -
GigaSpeech: An Evolving, Multi-domain ASR Corpus with 10,000 Hours of Transcribed Audio
par: Chen, Guoguo, et autres
Publié: (2021)