Buchumschlag

Residual Tokens Enhance Masked Autoencoders for Speech Modeling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sadok, Samir, Lathuilière, Stéphane, Alameda-Pineda, Xavier
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Sound Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AnCoGen: Analysis, Control and Generation of Speech with a Masked Autoencoder
von: Sadok, Samir, et al.
Veröffentlicht: (2025)

The Equalizer: Introducing Shape-Gain Decomposition in Neural Audio Codecs
von: Sadok, Samir, et al.
Veröffentlicht: (2026)

Scaling Speech Tokenizers with Diffusion Autoencoders
von: Wang, Yuancheng, et al.
Veröffentlicht: (2026)

Diffusion-based Unsupervised Audio-visual Speech Enhancement
von: Ayilo, Jean-Eudes, et al.
Veröffentlicht: (2024)

A multimodal dynamical variational autoencoder for audiovisual speech representation learning
von: Sadok, Samir, et al.
Veröffentlicht: (2023)

SyncSpeech: Efficient and Low-Latency Text-to-Speech based on Temporal Masked Transformer
von: Sheng, Zhengyan, et al.
Veröffentlicht: (2025)

Diffusion-based Frameworks for Unsupervised Speech Enhancement
von: Ayilo, Jean-Eudes, et al.
Veröffentlicht: (2026)

Quantize More, Lose Less: Autoregressive Generation from Residually Quantized Speech Representations
von: Han, Yichen, et al.
Veröffentlicht: (2025)

Universal Sound Separation with Self-Supervised Audio Masked Autoencoder
von: Zhao, Junqi, et al.
Veröffentlicht: (2024)

Full-Frequency Temporal Patching and Structured Masking for Enhanced Audio Classification
von: Makineni, Aditya, et al.
Veröffentlicht: (2025)

GSRM: Generative Speech Reward Model for Speech RLHF
von: Shen, Maohao, et al.
Veröffentlicht: (2026)

MATPAC++: Enhanced Masked Latent Prediction for Self-Supervised Audio Representation Learning
von: Quelennec, Aurian, et al.
Veröffentlicht: (2025)

SLM-SS: Speech Language Model for Generative Speech Separation
von: Li, Tianhua, et al.
Veröffentlicht: (2026)

Spark-TTS: An Efficient LLM-Based Text-to-Speech Model with Single-Stream Decoupled Speech Tokens
von: Wang, Xinsheng, et al.
Veröffentlicht: (2025)

Beyond Fixed Frames: Dynamic Character-Aligned Speech Tokenization
von: Della Libera, Luca, et al.
Veröffentlicht: (2026)

Posterior Transition Modeling for Unsupervised Diffusion-Based Speech Enhancement
von: Sadeghi, Mostafa, et al.
Veröffentlicht: (2025)

SAME: A Semantically-Aligned Music Autoencoder
von: Parker, Julian D., et al.
Veröffentlicht: (2026)

Mask2Flow-TSE: Two-Stage Target Speaker Extraction with Masking and Flow Matching
von: Moon, Junwon, et al.
Veröffentlicht: (2026)

Generalizable Speech Deepfake Detection via Information Bottleneck Enhanced Adversarial Alignment
von: Huang, Pu, et al.
Veröffentlicht: (2025)

Large Speech Model Enabled Semantic Communication
von: Tian, Yun, et al.
Veröffentlicht: (2025)

Describe-Then-Act: Proactive Agent Steering via Distilled Language-Action World Models
von: Pappa, Massimiliano, et al.
Veröffentlicht: (2026)

Unifying Speech Editing Detection and Content Localization via Prior-Enhanced Audio LLMs
von: Xue, Jun, et al.
Veröffentlicht: (2026)

Modeling strategies for speech enhancement in the latent space of a neural audio codec
von: Kammoun, Sofiene, et al.
Veröffentlicht: (2025)

Learning Marmoset Vocal Patterns with a Masked Autoencoder for Robust Call Segmentation, Classification, and Caller Identification
von: Wu, Bin, et al.
Veröffentlicht: (2024)

DDSP-QbE++: Improving Speech Quality for Speech Anonymisation for Atypical Speech
von: Ghosh, Suhita, et al.
Veröffentlicht: (2026)

TokenSynth: A Token-based Neural Synthesizer for Instrument Cloning and Text-to-Instrument
von: Kim, Kyungsu, et al.
Veröffentlicht: (2025)

Data-efficient Targeted Token-level Preference Optimization for LLM-based Text-to-Speech
von: Kotoge, Rikuto, et al.
Veröffentlicht: (2025)

Time and Tokens: Benchmarking End-to-End Speech Dysfluency Detection
von: Zhou, Xuanru, et al.
Veröffentlicht: (2024)

Perceptually Aligning Representations of Music via Noise-Augmented Autoencoders
von: Bjare, Mathias Rose, et al.
Veröffentlicht: (2025)

Single-stage TTS with Masked Audio Token Modeling and Semantic Knowledge Distillation
von: Gállego, Gerard I., et al.
Veröffentlicht: (2024)

MaskSR: Masked Language Model for Full-band Speech Restoration
von: Li, Xu, et al.
Veröffentlicht: (2024)

Khala: Scaling Acoustic Token Language Models Toward High-Fidelity Music Generation
von: Liu, Jiafeng, et al.
Veröffentlicht: (2026)

Understanding Frechet Speech Distance for Synthetic Speech Quality Evaluation
von: Kim, June-Woo, et al.
Veröffentlicht: (2026)

MaskGCT: Zero-Shot Text-to-Speech with Masked Generative Codec Transformer
von: Wang, Yuancheng, et al.
Veröffentlicht: (2024)

Evolution Strategy-Based Calibration for Low-Bit Quantization of Speech Models
von: Rakotoarivony, Lucas
Veröffentlicht: (2026)

Human or Machine? A Preliminary Turing Test for Speech-to-Speech Interaction
von: Li, Xiang, et al.
Veröffentlicht: (2026)

Fake Speech Wild: Detecting Deepfake Speech on Social Media Platform
von: Xie, Yuankun, et al.
Veröffentlicht: (2025)

SpeechQualityLLM: LLM-Based Multimodal Assessment of Speech Quality
von: Monjur, Mahathir, et al.
Veröffentlicht: (2025)

SlimSpeech: Lightweight and Efficient Text-to-Speech with Slim Rectified Flow
von: Wang, Kaidi, et al.
Veröffentlicht: (2025)

UniSS: Unified Expressive Speech-to-Speech Translation with Your Voice
von: Cheng, Sitong, et al.
Veröffentlicht: (2025)