Buchumschlag

Multi-Reward GRPO for Stable and Prosodic Single-Codebook TTS LLMs at Scale

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhong, Yicheng, Yang, Peiji, Wang, Zhisheng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Sound Computer Vision and Pattern Recognition I.2.7
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DOSE: Data Selection for Multi-Modal LLMs via Off-the-Shelf Models
von: Wu, Biao, et al.
Veröffentlicht: (2026)

Content Significance Distribution of Sub-Text Blocks in Articles and Its Application to Article-Organization Assessment
von: Zhou, You, et al.
Veröffentlicht: (2023)

BabelDOC: Better Layout-Preserving PDF Translation via Intermediate Representation
von: Yang, Qi, et al.
Veröffentlicht: (2026)

Depthwise Separable Convolutions with Deep Residual Convolutions
von: Hasan, Md Arid, et al.
Veröffentlicht: (2024)

Towards Explainable Fake Image Detection with Multi-Modal Large Language Models
von: Ji, Yikun, et al.
Veröffentlicht: (2025)

Proximity QA: Unleashing the Power of Multi-Modal Large Language Models for Spatial Proximity Analysis
von: Li, Jianing, et al.
Veröffentlicht: (2024)

R-Genie: Reasoning-Guided Generative Image Editing
von: Zhang, Dong, et al.
Veröffentlicht: (2025)

Analyze-Prompt-Reason: A Collaborative Agent-Based Framework for Multi-Image Vision-Language Reasoning
von: Vlachos, Angelos, et al.
Veröffentlicht: (2025)

A Sociolinguistic Analysis of Automatic Speech Recognition Bias in Newcastle English
von: Serditova, Dana, et al.
Veröffentlicht: (2026)

Cinéaste: A Fine-grained Contextual Movie Question Answering Benchmark
von: Shah, Nisarg A., et al.
Veröffentlicht: (2025)

ReSpace: Text-Driven Autoregressive 3D Indoor Scene Synthesis and Editing
von: Bucher, Martin JJ., et al.
Veröffentlicht: (2025)

VidNum-1.4K: A Comprehensive Benchmark for Video-based Numerical Reasoning
von: Cui, Shaoyang, et al.
Veröffentlicht: (2026)

Enhanced Kalman with Adaptive Appearance Motion SORT for Grounded Generic Multiple Object Tracking
von: Anh, Duy Le Dinh, et al.
Veröffentlicht: (2024)

CAMME: Adaptive Deepfake Image Detection with Multi-Modal Cross-Attention
von: Khan, Naseem, et al.
Veröffentlicht: (2025)

Predicting 3D Rigid Body Dynamics with Deep Residual Network
von: Oketunji, Abiodun Finbarrs
Veröffentlicht: (2024)

HalalBench: A Multilingual OCR Benchmark for Food Packaging Ingredient Extraction
von: Arief, Hasan
Veröffentlicht: (2026)

Hyperspectral Images Efficient Spatial and Spectral non-Linear Model with Bidirectional Feature Learning
von: Yang, Judy X, et al.
Veröffentlicht: (2024)

An accurate and revised version of optical character recognition-based speech synthesis using LabVIEW
von: Mehta, Prateek, et al.
Veröffentlicht: (2025)

Unsupervised Band Selection Using Fused HSI and LiDAR Attention Integrating With Autoencoder
von: Yang, Judy X, et al.
Veröffentlicht: (2024)

HSIMamba: Hyperpsectral Imaging Efficient Feature Learning with Bidirectional State Space for Classification
von: Yang, Judy X, et al.
Veröffentlicht: (2024)

Investigating Prosodic Signatures via Speech Pre-Trained Models for Audio Deepfake Source Attribution
von: Phukan, Orchid Chetia, et al.
Veröffentlicht: (2024)

PathBench: Speech Intelligibility Benchmark for Automatic Pathological Speech Assessment
von: Halpern, Bence Mark, et al.
Veröffentlicht: (2026)

Steer-MoE: Efficient Audio-Language Alignment with a Mixture-of-Experts Steering Module
von: Feng, Ruitao, et al.
Veröffentlicht: (2025)

MyoSem: Aligning Electromyography to Natural-Language Action Semantics for Hand Action Understanding
von: Wang, Chiyue, et al.
Veröffentlicht: (2026)

BlasBench: An Open Benchmark for Irish Speech Recognition
von: Raj, Jyoutir, et al.
Veröffentlicht: (2026)

Evaluation Before Generation: A Paradigm for Robust Multimodal Sentiment Analysis with Missing Modalities
von: Chen, Rongfei, et al.
Veröffentlicht: (2026)

Towards Blind and Low-Vision Accessibility of Lightweight VLMs and Custom LLM-Evals
von: Baghel, Shruti Singh, et al.
Veröffentlicht: (2025)

The American Sign Language Knowledge Graph: Infusing ASL Models with Linguistic Knowledge
von: Kezar, Lee, et al.
Veröffentlicht: (2024)

CCS: Clinical Consensus Selection for Radiology Report Generation
von: Zhang, Xi, et al.
Veröffentlicht: (2026)

The Binding Effect: Analyzing How Multi-Dimensional Cues Form Gender Bias in Instruction TTS
von: Chen, Kuan-Yu, et al.
Veröffentlicht: (2026)

Leveraging large multimodal models for audio-video deepfake detection: a pilot study
von: Cao, Songjun, et al.
Veröffentlicht: (2026)

Enhancing Sports Strategy with Video Analytics and Data Mining: Assessing the effectiveness of Multimodal LLMs in tennis video analysis
von: Teo, Charlton
Veröffentlicht: (2025)

Open-Set Supervised 3D Anomaly Detection: An Industrial Dataset and a Generalisable Framework for Unknown Defects
von: Liang, Hanzhe, et al.
Veröffentlicht: (2026)

Safeguarding Vision-Language Models Against Patched Visual Prompt Injectors
von: Sun, Jiachen, et al.
Veröffentlicht: (2024)

Only Whats Necessary: Pareto Optimal Data Minimization for Privacy Preserving Video Anomaly Detection
von: Aslam, Nazia, et al.
Veröffentlicht: (2026)

Scaling Large Vision-Language Models for Enhanced Multimodal Comprehension In Biomedical Image Analysis
von: Umeike, Robinson, et al.
Veröffentlicht: (2025)

HuMoCon: Concept Discovery for Human Motion Understanding
von: Fang, Qihang, et al.
Veröffentlicht: (2025)

GroundCap: A Visually Grounded Image Captioning Dataset
von: Oliveira, Daniel A. P., et al.
Veröffentlicht: (2025)

Relative Drawing Identification Complexity is Invariant to Modality in Vision-Language Models
von: Freitas, Diogo, et al.
Veröffentlicht: (2025)

More Than Meets the Eye: Measuring the Semiotic Gap in Vision-Language Models via Semantic Anchorage
von: He, Wei
Veröffentlicht: (2026)