Buchumschlag

Voice Activity Projection Model with Multimodal Encoders

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Saga, Takeshi, Pelachaud, Catherine
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

EMMI -- Empathic Multimodal Motivational Interviews Dataset: Analyses and Annotations
von: Galland, Lucie, et al.
Veröffentlicht: (2024)

Tailored Conversations beyond LLMs: A RL-Based Dialogue Manager
von: Galland, Lucie, et al.
Veröffentlicht: (2025)

"Mm, Wat?" Detecting Other-initiated Repair Requests in Dialogue
von: Ngo, Anh, et al.
Veröffentlicht: (2025)

MultiLinguahah : A New Unsupervised Multilingual Acoustic Laughter Segmentation Method
von: Callejas, Sofia, et al.
Veröffentlicht: (2026)

Investigating the impact of 2D gesture representation on co-speech gesture generation
von: Guichoux, Teo, et al.
Veröffentlicht: (2024)

2D or not 2D: How Does the Dimensionality of Gesture Representation Affect 3D Co-Speech Gesture Generation?
von: Guichoux, Téo, et al.
Veröffentlicht: (2024)

Triadic Multi-party Voice Activity Projection for Turn-taking in Spoken Dialogue Systems
von: Elmers, Mikey, et al.
Veröffentlicht: (2025)

Multilingual Turn-taking Prediction Using Voice Activity Projection
von: Inoue, Koji, et al.
Veröffentlicht: (2024)

Alethia: A Foundational Encoder for Voice Deepfakes
von: Zhu, Yi, et al.
Veröffentlicht: (2026)

Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection
von: Inoue, Koji, et al.
Veröffentlicht: (2024)

Yeah, Un, Oh: Continuous and Real-time Backchannel Prediction with Fine-tuning of Voice Activity Projection
von: Inoue, Koji, et al.
Veröffentlicht: (2024)

Encoder-Decoder or Decoder-Only? Revisiting Encoder-Decoder Large Language Model
von: Zhang, Biao, et al.
Veröffentlicht: (2025)

Breaking Players' expectations: the Role of Non-player Characters' coherence and Consistency
von: Poivet, Remi, et al.
Veröffentlicht: (2025)

Projective Psychological Assessment of Large Multimodal Models Using Thematic Apperception Tests
von: Dzega, Anton, et al.
Veröffentlicht: (2026)

Voice-Interactive Surgical Agent for Multimodal Patient Data Control
von: Park, Hyeryun, et al.
Veröffentlicht: (2025)

Rethinking the Mixture of Vision Encoders Paradigm for Enhanced Visual Understanding in Multimodal LLMs
von: Azadani, Mozhgan Nasr, et al.
Veröffentlicht: (2025)

Long-Context Encoder Models for Polish Language Understanding
von: Dadas, Sławomir, et al.
Veröffentlicht: (2026)

ProCoT: Stimulating Critical Thinking and Writing of Students through Engagement with Large Language Models (LLMs)
von: Adewumi, Tosin, et al.
Veröffentlicht: (2023)

Map of Encoders -- Mapping Sentence Encoders using Quantum Relative Entropy
von: Zhang, Gaifan, et al.
Veröffentlicht: (2026)

MultiVox: A Benchmark for Evaluating Voice Assistants for Multimodal Interactions
von: Selvakumar, Ramaneswaran, et al.
Veröffentlicht: (2025)

DrVoice: Parallel Speech-Text Voice Conversation Model via Dual-Resolution Speech Representations
von: Tan, Chao-Hong, et al.
Veröffentlicht: (2025)

Should We Still Pretrain Encoders with Masked Language Modeling?
von: Gisserot-Boukhlef, Hippolyte, et al.
Veröffentlicht: (2025)

On Multilingual Encoder Language Model Compression for Low-Resource Languages
von: Gurgurov, Daniil, et al.
Veröffentlicht: (2025)

Word Boundary Information Isn't Useful for Encoder Language Models
von: Gow-Smith, Edward, et al.
Veröffentlicht: (2024)

JaiTTS: A Thai Voice Cloning Model
von: Karnjanaekarin, Jullajak, et al.
Veröffentlicht: (2026)

Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking
von: Cao, Yong, et al.
Veröffentlicht: (2023)

Fine-tuning the SwissBERT Encoder Model for Embedding Sentences and Documents
von: Grosjean, Juri, et al.
Veröffentlicht: (2024)

Where Does Authorship Signal Emerge in Encoder-Based Language Models?
von: Kulumba, Francis, et al.
Veröffentlicht: (2026)

One Script Instead of Hundreds? On Pretraining Romanized Encoder Language Models
von: Ebing, Benedikt, et al.
Veröffentlicht: (2026)

Linguistic Knowledge Can Enhance Encoder-Decoder Models (If You Let It)
von: Miaschi, Alessio, et al.
Veröffentlicht: (2024)

MinMo: A Multimodal Large Language Model for Seamless Voice Interaction
von: Chen, Qian, et al.
Veröffentlicht: (2025)

Language Models as Hierarchy Encoders
von: He, Yuan, et al.
Veröffentlicht: (2024)

TAMA: Tool-Augmented Multimodal Agent for Procedural Activity Understanding
von: Hasegawa, Kimihiro, et al.
Veröffentlicht: (2025)

Are Bigger Encoders Always Better in Vision Large Models?
von: Li, Bozhou, et al.
Veröffentlicht: (2024)

ConvFill: Model Collaboration for Responsive Conversational Voice Agents
von: Srinivas, Vidya, et al.
Veröffentlicht: (2025)

Utilizing Multilingual Encoders to Improve Large Language Models for Low-Resource Languages
von: Puranegedara, Imalsha, et al.
Veröffentlicht: (2025)

Statement-Tuning Enables Efficient Cross-lingual Generalization in Encoder-only Models
von: Elshabrawy, Ahmed, et al.
Veröffentlicht: (2025)

Voices Unheard: NLP Resources and Models for Yorùbá Regional Dialects
von: Ahia, Orevaoghene, et al.
Veröffentlicht: (2024)

Enabling Natural Zero-Shot Prompting on Encoder Models via Statement-Tuning
von: Elshabrawy, Ahmed, et al.
Veröffentlicht: (2024)

On Leveraging Encoder-only Pre-trained Language Models for Effective Keyphrase Generation
von: Wu, Di, et al.
Veröffentlicht: (2024)