Afrispeech Semantics: Evaluación del razonamiento semántico en audio
Descubre cómo los modelos de lenguaje de audio manejan el razonamiento semántico en distintos acentos y dominios. Evaluación de Afrispeech Semantics.
#procesamiento de audio
RAIL: Benchmark Cognitivo de Inteligencia Auditiva en LALMs
RAIL es un benchmark cognitivo CHC para evaluar inteligencia auditiva en modelos de audio-lenguaje. Revela diferencias en percepción, razonamiento y memoria.
Siddhish Sutaria y Jolly Shah: Evolución de sistemas embebidos
Los ingenieros de Apple y Google revelan cómo la IA y el cloud impulsan la evolución de los sistemas embebidos. Descubre su visión.
AuRA: internalizando audio en LLMs mediante LoRA
Descubre cómo AuRA internaliza la comprensión del audio en LLMs mediante LoRA, superando a sistemas en cascada con mayor eficiencia y precisión.
Evaluación automática de pronunciación infantil coreana con diarización y aprendizaje autosupervisado
Descubre cómo la combinación de diarización de voz y aprendizaje autosupervisado logra un 78% de precisión en la evaluación de pronunciación de niños coreanos de 2 a 5 años.
Reconocimiento de emociones en habla árabe con deep learning
Descubre cómo la arquitectura CNN-Transformer logra un 98.1% de precisión en el reconocimiento de emociones en habla árabe, superando a modelos como wav2vec 2.0.
Adición de observaciones guiada por inteligibilidad sin entrenamiento para ASR ruidoso
Mejora el reconocimiento de voz en entornos ruidosos con un nuevo método sin entrenamiento que fusiona señales de forma inteligente. Aumenta la precisión y robustez.
MisoTTS: modelo de voz de 8B parámetros para continuación de voz
Descubre MisoTTS, el modelo de 8B parámetros que genera voz continua a partir de texto. Conoce su arquitectura, usos y cómo desplegarlo.
GlobeAudio: benchmark multilingüe para modelos de audio-lenguaje
Descubre GlobeAudio, el primer benchmark multilingüe y multicultural para evaluar modelos de audio-lenguaje en condiciones realistas. Resultados sorprendentes.
AeroSpectra Sentinel: evaluación de riesgo de asma con IA auditiva
Descubre AeroSpectra Sentinel, un prototipo que combina STFT, ML y LLM para evaluar riesgo de asma a partir de sonidos respiratorios y señales clínicas. Auditoría segura.
Clasificación de audio incremental de clases variables con pocos ejemplos
Clasificación de audio con clases variables y pocos ejemplos usando adaptación de prototipos y entrenamiento pseudo-variable. ¡Alta precisión!
Localización de eventos audiovisuales con grafos heterogéneos jerárquicos
Nuevo método HSCHG mejora la localización de eventos audiovisuales usando grafos heterogéneos jerárquicos con restricciones semánticas.
IRAF: Fusión Adaptativa Resistente a Interferencias para Diálogo Full-Dúplex
Mejora la robustez de asistentes de voz con IRAF: un módulo que adapta la fusión de audio para filtrar interferencias y optimizar diálogos full-dúplex.
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.
Nemotron 3.5 ASR: modelo de reconocimiento de voz en tiempo real con 40 idiomas
Descubre Nemotron 3.5 ASR de NVIDIA: modelo de 600M parámetros que transcribe 40 idiomas en tiempo real con latencia ajustable. Código abierto en Hugging Face.
DBHN-Net: Red Híbrida de Doble Rama para Mejora de Voz de Baja Complejidad
¡Descubre DBHN-Net! La red híbrida que reduce 7.5x la complejidad computacional en mejora de voz sin perder rendimiento.
Estudio de la SI-SDR en separación de voz con referencias ruidosas
Analizamos el impacto de la relación señal-distorsión invariante a escala en la separación de voz con referencias ruidosas. Descubre cómo mejorar la calidad con NISQA.
Estudio del SI-SDR en separación de voz con referencias ruidosas
Descubre cómo el ruido en las referencias afecta al SI-SDR en separación de voz y un método para mejorar la calidad del audio separado.
FSA-GRPO: Cómo entrenar LLMs auditivos con pocos ejemplos
Descubre cómo FSA-GRPO entrena modelos auditivos con aprendizaje por refuerzo para mejorar el reconocimiento de voz usando pocos ejemplos.
FastSLM: Abstracción Temporal Jerárquica para Audio Largo
Descubre FastSLM: comprime audio largo al 1.67 tok/s, reduce 97% tokens sin perder contexto. Optimiza tus MLLMs.