セグメント長は重要である：音声指紋照合の性能におけるセグメント長の研究
TL;DR音声フィンガープリンティングにおける入力音声のセグメント長が検索性能に与える影響を調査した研究。既存のニューラルアーキテクチャを拡張し多様な長さで評価した結果、0.5秒という短いセグメント長が一般的に優れた性能を示すことが判明した。また、LLMによる最適な長さの推奨能力も評価され、GPT-5-miniが最も優れた提案を行った。
Cog AI Archive
最新の記事
人気記事ピックアップ
RedSage: サイバーセキュリティに特化した汎用LLM
TL;DRRedSageは、プライバシーリスクを回避しつつ多様なセキュリティ業務を支援するために開発された、オープンソースのサイバーセキュリティ特化型LLMである。118億トークンの専門データによる事前学習と、エージェントベースのパイプラインで生成された26.6万件の指示データによる調整を経て、既存モデルを上回る性能を実現した。
BanglaRobustNet：堅牢なベンガル語音声認識のためのハイブリッドなノイズ除去アテンションアーキテクチャ
TL;DRバングラ語音声認識において、ノイズや話者の多様性に対応する「BanglaRobustNet」が提案された。Wav2Vec-BERTを基盤に、拡散ベースのノイズ除去と話者情報を考慮した注意機構を統合したハイブリッドモデルである。Mozilla Common Voiceなどでの評価により、ベースラインと比較してWERとCE
ToS: 動画内の距離推定を伴うステレオ音響イベントの定位と検出のためのスペシャリストチーム・アンサンブルフレームワーク
TL;DR動画内の3D音響イベント定位・検出（3D SELD）における課題に対し、3つの特化型サブネットワークを統合した「Team of Specialists（ToS）」フレームワークを提案。意味・空間・時間の各次元に特化したモデルが協調することで、DCASE2025のベンチマークにおいて既存手法を一貫して上回る性能を実証しました。
EuleroDec：効率的かつ堅牢な音声符号化のための複素数値RVQ-VAE
TL;DREuleroDecは、GANや拡散モデルに依存せず、従来の10分の1の訓練量でSOTA（最先端）レベルの音質を実現した新しい音声コーデックです。音声の振幅と位相の結合を維持するエンドツーエンドの複素数値RVQ-VAEを採用し、スペクトル領域での位相情報の扱いを改善しました。
保存済みの記事がまだありません。
読み込み中…