Vocoders multilingües y multilocutor: análisis de unidades discretas
El tamaño del cluster y el condicionamiento del hablante son clave para evitar mezcla de hablantes en vocoders multilingües. Descubre cómo.
#habla
TargetSEC: Conversión de Emoción del Habla con Difusión Latente
TargetSEC: conversión de emociones en voz con difusión latente. Preserva identidad y supera a otros sistemas en precisión.
Generación unificada de canciones y conversión de voz cantada con acompañamiento
Descubre UniSinger, el primer modelo de IA que unifica generación de canciones y SVC con acompañamiento. Clonación de voz y sinergia vocal-acompañamiento.
Aprendizaje por refuerzo descompuesto para videojuegos de rol inmersivos
Descubre cómo EBM-RL optimiza el aprendizaje por refuerzo descompuesto para crear diálogos inmersivos en videojuegos de rol, mejorando atmósfera y autenticidad.
PC-Talk: Control Preciso de Animación Facial en Rostros Parlantes
PC-Talk: control preciso de animación facial en videos parlantes. Mejora sincronización labial y emociones con IA. Ideal para creadores.
Cómo hablar con un humano real en atención al cliente y obtener lo que quieres
Descubre cómo hablar con un humano real en atención al cliente y consigue lo que quieres. Estrategias para sortear menús automáticos y hablar con un agente.
Piensa Antes de Hablar: De la Evaluación a la Expresión Pública
Descubre cómo el marco TBS separa el razonamiento privado de la expresión pública en simulaciones multiagente, analizando la dinámica del silencio.
AVTrack: Seguimiento Audiovisual en Escenas Humanas Complejas
Conoce AVTrack, el dataset que desafía los métodos actuales de seguimiento audiovisual en escenas humanas complejas con oclusiones y movimiento.
EntangleCodec: Tokenizador de Audio Unificado con Entrelazamiento Semántico-Acústico
Descubre EntangleCodec, el tokenizador de audio que unifica semántica y acústica. Mejora la comprensión de audio en un 7.4% y escala desde 0.6B a 8B parámetros, superando modelos mucho más grandes.
Detección contextual de habla para niños en grabaciones largas
Detección contextual de habla infantil en grabaciones largas: modelos auto-supervisados logran +13.8% F1, superando a sistemas basados en reglas en múltiples idiomas.
Diferencias acústicas y perceptuales en clones de voz estándar y acentuada
El acento afecta la clonación de voz: clones de habla acentuada son menos similares pero más inteligibles. Estudio revela que preservar el acento es clave.
Echo: Diarización y reconocimiento de voz en espacio latente compartido
Echo: un sistema de audio con un encoder ViT que unifica diarización, ASR y separación de fuentes en un espacio latente. Eficiente y preciso.
DOA: Política sin entrenamiento para traducción simultánea de formato largo
Nueva política DOA permite traducción simultánea sin entrenamiento. Baja latencia, calidad cercana a offline con SpeechLLMs.
OpenSTBench: Más allá de la evaluación semántica para la traducción de voz
OpenSTBench: marco unificado para evaluar traducción de voz - calidad de habla, latencia y más. Ideal para comparar sistemas S2TT y S2ST.
MindVoice: Reconstrucción de habla inteligible desde señales neurales no invasivas
MindVoice transforma señales cerebrales en habla inteligible usando IA. Un avance en interfaces cerebro-computadora no invasivas.