Buchumschlag

PHONOS: PHOnetic Neutralization for Online Streaming Applications

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Quamer, Waris, Tseng, Mu-Ruei, Nasrallah, Ghady, Gutierrez-Osuna, Ricardo
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Audio and Speech Processing Computation and Language Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TVTSyn: Content-Synchronous Time-Varying Timbre for Streaming Voice Conversion and Anonymization
von: Quamer, Waris, et al.
Veröffentlicht: (2026)

DarkStream: real-time speech anonymization with low latency
von: Quamer, Waris, et al.
Veröffentlicht: (2025)

End-to-end streaming model for low-latency speech anonymization
von: Quamer, Waris, et al.
Veröffentlicht: (2024)

Disentangling segmental and prosodic factors to non-native speech comprehensibility
von: Quamer, Waris, et al.
Veröffentlicht: (2024)

Navigating the Minefield of MT Beam Search in Cascaded Streaming Speech Translation
von: Rabatin, Rastislav, et al.
Veröffentlicht: (2024)

SpeakStream: Streaming Text-to-Speech with Interleaved Data
von: Bai, Richard He, et al.
Veröffentlicht: (2025)

WhisperRT -- Turning Whisper into a Causal Streaming Model
von: Krichli, Tomer, et al.
Veröffentlicht: (2025)

Efficient Adapter Finetuning for Tail Languages in Streaming Multilingual ASR
von: Bai, Junwen, et al.
Veröffentlicht: (2024)

Transducer Consistency Regularization for Speech to Text Applications
von: Tseng, Cindy, et al.
Veröffentlicht: (2024)

Energy-Based Models with Applications to Speech and Language Processing
von: Ou, Zhijian
Veröffentlicht: (2024)

Evaluation of Google's Voice Recognition and Sentence Classification for Health Care Applications
von: Uddin, Majbah, et al.
Veröffentlicht: (2024)

Enhancing Out-of-Vocabulary Performance of Indian TTS Systems for Practical Applications through Low-Effort Data Strategies
von: Anand, Srija, et al.
Veröffentlicht: (2024)

Reducing Prompt Sensitivity in LLM-based Speech Recognition Through Learnable Projection
von: Burdisso, Sergio, et al.
Veröffentlicht: (2026)

SDiaReward: Modeling and Benchmarking Spoken Dialogue Rewards with Modality and Colloquialness
von: Lu, Jingyu, et al.
Veröffentlicht: (2026)

TaigiSpeech: A Low-Resource Real-World Speech Intent Dataset and Preliminary Results with Scalable Data Mining In-the-Wild
von: Chang, Kai-Wei, et al.
Veröffentlicht: (2026)

"KAN you hear me?" Exploring Kolmogorov-Arnold Networks for Spoken Language Understanding
von: Koudounas, Alkis, et al.
Veröffentlicht: (2025)

Robust Unsupervised Adaptation of a Speech Recogniser Using Entropy Minimisation and Speaker Codes
von: van Dalen, Rogier C., et al.
Veröffentlicht: (2025)

Two Heads Are Better Than One: Audio-Visual Speech Error Correction with Dual Hypotheses
von: Kim, Sungnyun, et al.
Veröffentlicht: (2025)

Mitigating Data Imbalance in Automated Speaking Assessment
von: Tsai, Fong-Chun, et al.
Veröffentlicht: (2025)

Re-evaluating Minimum Bayes Risk Decoding for Automatic Speech Recognition
von: Jinnai, Yuu
Veröffentlicht: (2025)

Enhancing the Stability of LLM-based Speech Generation Systems through Self-Supervised Representations
von: Martín-Cortinas, Álvaro, et al.
Veröffentlicht: (2024)

Integrating Self-supervised Speech Model with Pseudo Word-level Targets from Visually-grounded Speech Model
von: Fang, Hung-Chieh, et al.
Veröffentlicht: (2024)

Scalable Frameworks for Real-World Audio-Visual Speech Recognition
von: Kim, Sungnyun
Veröffentlicht: (2025)

Continual Learning for Monolingual End-to-End Automatic Speech Recognition
von: Eeckt, Steven Vander, et al.
Veröffentlicht: (2021)

Memory-Efficient Training for Text-Dependent SV with Independent Pre-trained Models
von: Farokh, Seyed Ali, et al.
Veröffentlicht: (2024)

Data-Centric Lessons To Improve Speech-Language Pretraining
von: Udandarao, Vishaal, et al.
Veröffentlicht: (2025)

Initial Decoding with Minimally Augmented Language Model for Improved Lattice Rescoring in Low Resource ASR
von: Murthy, Savitha, et al.
Veröffentlicht: (2024)

Exploring Speech Foundation Models for Speaker Diarization in Child-Adult Dyadic Interactions
von: Xu, Anfeng, et al.
Veröffentlicht: (2024)

Speech foundation models in healthcare: Effect of layer selection on pathological speech feature prediction
von: Wiepert, Daniela A., et al.
Veröffentlicht: (2024)

Isometric Neural Machine Translation using Phoneme Count Ratio Reward-based Reinforcement Learning
von: Mhaskar, Shivam Ratnakant, et al.
Veröffentlicht: (2024)

DiSTAR: Diffusion over a Scalable Token Autoregressive Representation for Speech Generation
von: Song, Yakun, et al.
Veröffentlicht: (2025)

What Do Self-Supervised Speech Models Know About Words?
von: Pasad, Ankita, et al.
Veröffentlicht: (2023)

Codec-ASR: Training Performant Automatic Speech Recognition Systems with Discrete Speech Representations
von: Dhawan, Kunal, et al.
Veröffentlicht: (2024)

Self-Supervised Speech Representations are More Phonetic than Semantic
von: Choi, Kwanghee, et al.
Veröffentlicht: (2024)

A Contrastive Learning Approach to Mitigate Bias in Speech Models
von: Koudounas, Alkis, et al.
Veröffentlicht: (2024)

Qwen2-Audio Technical Report
von: Chu, Yunfei, et al.
Veröffentlicht: (2024)

Gender Bias in Instruction-Guided Speech Synthesis Models
von: Kuan, Chun-Yi, et al.
Veröffentlicht: (2025)

BASE TTS: Lessons from building a billion-parameter Text-to-Speech model on 100K hours of data
von: Łajszczak, Mateusz, et al.
Veröffentlicht: (2024)

Enhancing Multilingual Voice Toxicity Detection with Speech-Text Alignment
von: Liu, Joseph, et al.
Veröffentlicht: (2024)

Discrete Multimodal Transformers with a Pretrained Large Language Model for Mixed-Supervision Speech Processing
von: Trinh, Viet Anh, et al.
Veröffentlicht: (2024)