See the Speaker: Crafting High-Resolution Talking Faces from Speech with Prior Guidance and Region Refinement
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Wang, Jinting, Wang, Jun, Cheng, Hei Victor, Liu, Li |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
DualTalk: Dual-Speaker Interaction for 3D Talking Head Conversations
par: Peng, Ziqiao, et autres
Publié: (2025)
par: Peng, Ziqiao, et autres
Publié: (2025)
EmoTalker: Emotionally Editable Talking Face Generation via Diffusion Model
par: Zhang, Bingyuan, et autres
Publié: (2024)
par: Zhang, Bingyuan, et autres
Publié: (2024)
UniCUE: Unified Recognition and Generation Framework for Chinese Cued Speech Video-to-Speech Generation
par: Wang, Jinting, et autres
Publié: (2025)
par: Wang, Jinting, et autres
Publié: (2025)
ExpGest: Expressive Speaker Generation Using Diffusion Model and Hybrid Audio-Text Guidance
par: Cheng, Yongkang, et autres
Publié: (2024)
par: Cheng, Yongkang, et autres
Publié: (2024)
Emotional Face-to-Speech
par: Ye, Jiaxin, et autres
Publié: (2025)
par: Ye, Jiaxin, et autres
Publié: (2025)
Seeing Speech and Sound: Distinguishing and Locating Audios in Visual Scenes
par: Ryu, Hyeonggon, et autres
Publié: (2025)
par: Ryu, Hyeonggon, et autres
Publié: (2025)
Face2VoiceSync: Lightweight Face-Voice Consistency for Text-Driven Talking Face Generation
par: Kang, Fang, et autres
Publié: (2025)
par: Kang, Fang, et autres
Publié: (2025)
Faces that Speak: Jointly Synthesising Talking Face and Speech from Text
par: Jang, Youngjoon, et autres
Publié: (2024)
par: Jang, Youngjoon, et autres
Publié: (2024)
Text-driven Talking Face Synthesis by Reprogramming Audio-driven Models
par: Choi, Jeongsoo, et autres
Publié: (2023)
par: Choi, Jeongsoo, et autres
Publié: (2023)
Unsupervised Single-Channel Speech Separation with a Diffusion Prior under Speaker-Embedding Guidance
par: Shi, Runwu, et autres
Publié: (2025)
par: Shi, Runwu, et autres
Publié: (2025)
Seeing Your Speech Style: A Novel Zero-Shot Identity-Disentanglement Face-based Voice Conversion
par: Rong, Yan, et autres
Publié: (2024)
par: Rong, Yan, et autres
Publié: (2024)
Dual Audio-Centric Modality Coupling for Talking Head Generation
par: Fu, Ao, et autres
Publié: (2025)
par: Fu, Ao, et autres
Publié: (2025)
From Faces to Voices: Learning Hierarchical Representations for High-quality Video-to-Speech
par: Kim, Ji-Hoon, et autres
Publié: (2025)
par: Kim, Ji-Hoon, et autres
Publié: (2025)
Hear Your Face: Face-based voice conversion with F0 estimation
par: Lee, Jaejun, et autres
Publié: (2024)
par: Lee, Jaejun, et autres
Publié: (2024)
READ: Real-time and Efficient Asynchronous Diffusion for Audio-driven Talking Head Generation
par: Wang, Haotian, et autres
Publié: (2025)
par: Wang, Haotian, et autres
Publié: (2025)
SSAVSV: Towards Unified Model for Self-Supervised Audio-Visual Speaker Verification
par: Rajasekhar, Gnana Praveen, et autres
Publié: (2025)
par: Rajasekhar, Gnana Praveen, et autres
Publié: (2025)
Inter-Diffusion Generation Model of Speakers and Listeners for Effective Communication
par: Huang, Jinhe, et autres
Publié: (2025)
par: Huang, Jinhe, et autres
Publié: (2025)
CNVSRC 2024: The Second Chinese Continuous Visual Speech Recognition Challenge
par: Liu, Zehua, et autres
Publié: (2025)
par: Liu, Zehua, et autres
Publié: (2025)
Global-Local Distillation Network-Based Audio-Visual Speaker Tracking with Incomplete Modalities
par: Li, Yidi, et autres
Publié: (2024)
par: Li, Yidi, et autres
Publié: (2024)
Hearing and Seeing Through CLIP: A Framework for Self-Supervised Sound Source Localization
par: Park, Sooyoung, et autres
Publié: (2025)
par: Park, Sooyoung, et autres
Publié: (2025)
Enhance Generation Quality of Flow Matching V2A Model via Multi-Step CoT-Like Guidance and Combined Preference Optimization
par: Zhang, Haomin, et autres
Publié: (2025)
par: Zhang, Haomin, et autres
Publié: (2025)
VAPO: End-to-end Slide-Enhanced Speech Recognition with Omni-modal Large Language Models
par: Hu, Rui, et autres
Publié: (2025)
par: Hu, Rui, et autres
Publié: (2025)
V2SFlow: Video-to-Speech Generation with Speech Decomposition and Rectified Flow
par: Choi, Jeongsoo, et autres
Publié: (2024)
par: Choi, Jeongsoo, et autres
Publié: (2024)
ESARM: 3D Emotional Speech-to-Animation via Reward Model from Automatically-Ranked Demonstrations
par: Zhang, Xulong, et autres
Publié: (2024)
par: Zhang, Xulong, et autres
Publié: (2024)
Seeing and Hearing: Open-domain Visual-Audio Generation with Diffusion Latent Aligners
par: Xing, Yazhou, et autres
Publié: (2024)
par: Xing, Yazhou, et autres
Publié: (2024)
Leveraging Large Language Models in Visual Speech Recognition: Model Scaling, Context-Aware Decoding, and Iterative Polishing
par: Liu, Zehua, et autres
Publié: (2025)
par: Liu, Zehua, et autres
Publié: (2025)
CoLM-DSR: Leveraging Neural Codec Language Modeling for Multi-Modal Dysarthric Speech Reconstruction
par: Chen, Xueyuan, et autres
Publié: (2024)
par: Chen, Xueyuan, et autres
Publié: (2024)
NaturalL2S: End-to-End High-quality Multispeaker Lip-to-Speech Synthesis with Differential Digital Signal Processing
par: Liang, Yifan, et autres
Publié: (2025)
par: Liang, Yifan, et autres
Publié: (2025)
Efficient Training for Multilingual Visual Speech Recognition: Pre-training with Discretized Visual Speech Representation
par: Kim, Minsu, et autres
Publié: (2024)
par: Kim, Minsu, et autres
Publié: (2024)
AudioGen-Omni: A Unified Multimodal Diffusion Transformer for Video-Synchronized Audio, Speech, and Song Generation
par: Wang, Le, et autres
Publié: (2025)
par: Wang, Le, et autres
Publié: (2025)
Robust Active Speaker Detection in Noisy Environments
par: Vasireddy, Siva Sai Nagender, et autres
Publié: (2024)
par: Vasireddy, Siva Sai Nagender, et autres
Publié: (2024)
Face-voice Association in Multilingual Environments (FAME) Challenge 2024 Evaluation Plan
par: Saeed, Muhammad Saad, et autres
Publié: (2024)
par: Saeed, Muhammad Saad, et autres
Publié: (2024)
Integrating Audio, Visual, and Semantic Information for Enhanced Multimodal Speaker Diarization
par: Cheng, Luyao, et autres
Publié: (2024)
par: Cheng, Luyao, et autres
Publié: (2024)
Enhancing CTC-Based Visual Speech Recognition
par: Laux, Hendrik, et autres
Publié: (2024)
par: Laux, Hendrik, et autres
Publié: (2024)
FaceTalk: Audio-Driven Motion Diffusion for Neural Parametric Head Models
par: Aneja, Shivangi, et autres
Publié: (2023)
par: Aneja, Shivangi, et autres
Publié: (2023)
Input Conditioned Layer Dropping in Speech Foundation Models
par: Hannan, Abdul, et autres
Publié: (2025)
par: Hannan, Abdul, et autres
Publié: (2025)
NeRF-3DTalker: Neural Radiance Field with 3D Prior Aided Audio Disentanglement for Talking Head Synthesis
par: Liu, Xiaoxing, et autres
Publié: (2025)
par: Liu, Xiaoxing, et autres
Publié: (2025)
VITA-1.5: Towards GPT-4o Level Real-Time Vision and Speech Interaction
par: Fu, Chaoyou, et autres
Publié: (2025)
par: Fu, Chaoyou, et autres
Publié: (2025)
Spiking Structured State Space Model for Monaural Speech Enhancement
par: Du, Yu, et autres
Publié: (2023)
par: Du, Yu, et autres
Publié: (2023)
MoMuSE: Momentum Multi-modal Target Speaker Extraction for Real-time Scenarios with Impaired Visual Cues
par: Li, Junjie, et autres
Publié: (2024)
par: Li, Junjie, et autres
Publié: (2024)
Documents similaires
-
DualTalk: Dual-Speaker Interaction for 3D Talking Head Conversations
par: Peng, Ziqiao, et autres
Publié: (2025) -
EmoTalker: Emotionally Editable Talking Face Generation via Diffusion Model
par: Zhang, Bingyuan, et autres
Publié: (2024) -
UniCUE: Unified Recognition and Generation Framework for Chinese Cued Speech Video-to-Speech Generation
par: Wang, Jinting, et autres
Publié: (2025) -
ExpGest: Expressive Speaker Generation Using Diffusion Model and Hybrid Audio-Text Guidance
par: Cheng, Yongkang, et autres
Publié: (2024) -
Emotional Face-to-Speech
par: Ye, Jiaxin, et autres
Publié: (2025)