論文の概要: More than words: Advancements and challenges in speech recognition for singing

• arxiv url: http://arxiv.org/abs/2403.09298v1
• Date: Thu, 14 Mar 2024 11:37:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-15 20:47:15.570747
• Title: More than words: Advancements and challenges in speech recognition for singing
• Title（参考訳）: 言葉以上のもの:歌唱における音声認識の進歩と課題
• Authors: Anna Kruspe,
• Abstract要約: 私は、これらのタスクが勢いを増し始めているのと同じように、これらのタスクについて研究する際の私の経験をいくつか説明します。 私の目標は、歌唱に音声認識を適用する複雑さを解明し、現在の能力を評価し、将来の研究方向性を概説することです。
• 参考スコア（独自算出の注目度）: 1.4589372436314496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the challenges and advancements in speech recognition for singing, a domain distinctly different from standard speech recognition. Singing encompasses unique challenges, including extensive pitch variations, diverse vocal styles, and background music interference. We explore key areas such as phoneme recognition, language identification in songs, keyword spotting, and full lyrics transcription. I will describe some of my own experiences when performing research on these tasks just as they were starting to gain traction, but will also show how recent developments in deep learning and large-scale datasets have propelled progress in this field. My goal is to illuminate the complexities of applying speech recognition to singing, evaluate current capabilities, and outline future research directions.
• Abstract（参考訳）: 本稿では,標準音声認識とは異なる領域である歌唱における音声認識の課題と進歩について述べる。 歌唱は、幅広いピッチのバリエーション、多様なボーカルスタイル、バックグラウンド音楽の干渉など、独特な課題を含む。 我々は,音素認識,歌唱における言語識別,キーワードスポッティング,歌詞の完全書き起こしといった重要な領域を探索する。 私がこれらのタスクについて研究を始めたときの経験について説明しますが、近年のディープラーニングと大規模データセットの進歩がこの分野の進歩を後押ししていることも示します。 私の目標は、歌唱に音声認識を適用する複雑さを解明し、現在の能力を評価し、将来の研究方向性を概説することです。

関連論文リスト

• GTSinger: A Global Multi-Technique Singing Corpus with Realistic Music Scores for All Singing Tasks [52.30565320125514]
  GTSingerは、グローバルで、多技術で、無料で使える、高品質な歌唱コーパスで、リアルな音楽スコアがある。 高品質な歌声を80.59時間収集し、最大の歌唱データセットを形成する。 我々は,技術制御可能な歌唱音声合成,技術認識,スタイル伝達,音声歌唱変換の4つのベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2024-09-20T18:18:14Z)
• DASB -- Discrete Audio and Speech Benchmark [12.02056212008393]
  我々は、様々なタスクで離散オーディオトークンをベンチマークするためのリーダーボードである、離散オーディオおよび音声ベンチマーク(DASB)をリリースする。 その結果, 意味トークンは, 識別的, 生成的タスクにおいて, 圧縮トークンよりも優れていた。 しかし、セマンティックトークンと標準的な連続表現の間のパフォーマンスのギャップは依然として大きい。
  論文  参考訳（メタデータ） (2024-06-20T13:23:27Z)
• Singer Identity Representation Learning using Self-Supervised Techniques [0.0]
  歌唱関連タスクに適した表現を抽出するシンガーアイデンティティエンコーダを訓練するためのフレームワークを提案する。 我々は,孤立した音声トラックの集合体上で,異なる自己教師付き学習手法を探索する。 歌手の類似度と識別タスクにおける表現の質を評価する。
  論文  参考訳（メタデータ） (2024-01-10T10:41:38Z)
• Qwen-Audio: Advancing Universal Audio Understanding via Unified Large-Scale Audio-Language Models [98.34889301515412]
  我々はQwen-Audioモデルを開発し、30以上のタスクと様々なオーディオタイプをカバーするために、事前学習を拡大することで制限に対処する。 Qwen-Audioは、タスク固有の微調整を必要とせずに、様々なベンチマークタスクで素晴らしいパフォーマンスを実現している。 さらにQwen-Audio-Chatを開発し、様々なオーディオやテキスト入力からの入力を可能にし、マルチターン対話を可能にし、様々なオーディオ中心のシナリオをサポートする。
  論文  参考訳（メタデータ） (2023-11-14T05:34:50Z)
• A Phoneme-Informed Neural Network Model for Note-Level Singing Transcription [11.951441023641975]
  本稿では,歌唱の言語的特徴を活用して,より正確に歌唱音声の音節オンセットを見つける方法を提案する。 本手法は, 歌唱文の書き起こし性能を大幅に向上させ, 歌唱分析における言語的特徴の重要性を強調している。
  論文  参考訳（メタデータ） (2023-04-12T15:36:01Z)
• Deep Learning for Visual Speech Analysis: A Survey [54.53032361204449]
  本稿では,視覚音声分析におけるディープラーニング手法の最近の進歩を概観する。 私たちは、基本的な問題、課題、ベンチマークデータセット、既存のメソッドの分類、最先端のパフォーマンスなど、視覚音声のさまざまな側面をカバーしています。
  論文  参考訳（メタデータ） (2022-05-22T14:44:53Z)
• Self-Supervised Speech Representation Learning: A Review [105.1545308184483]
  自己教師付き表現学習法は、幅広いタスクやドメインに利益をもたらす単一の普遍的モデルを約束する。 音声表現学習は、生成的、コントラスト的、予測的という3つの主要なカテゴリで同様の進歩を経験している。 本稿では,自己指導型音声表現学習のアプローチと,他の研究領域との関係について述べる。
  論文  参考訳（メタデータ） (2022-05-21T16:52:57Z)
• Automated Audio Captioning: an Overview of Recent Progress and New Challenges [56.98522404673527]
  自動音声キャプションは、与えられた音声クリップの自然言語記述を生成することを目的とした、モーダル横断翻訳タスクである。 本稿では、既存の様々なアプローチから評価指標やデータセットまで、自動音声キャプションにおけるコントリビューションの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2022-05-12T08:36:35Z)
• Audio-Visual Speech Inpainting with Deep Learning [30.59696039318939]
  音声信号に100msから1600msの間隔を印字し、視覚が異なる期間のギャップにもたらす貢献について検討した。 以上の結果から,音声のみの音声塗装手法の性能は,差が大きくなると急速に低下することがわかった。 マルチタスク学習が効果的であることは示していますが、パフォーマンスへの最大の貢献はビジョンによるものです。
  論文  参考訳（メタデータ） (2020-10-09T13:23:01Z)
• Deep Audio-Visual Learning: A Survey [53.487938108404244]
  現在の音声・視覚学習タスクを4つのサブフィールドに分割する。 本稿では,各サブフィールドに残る課題だけでなく,最先端の手法についても論じる。 一般的に使用されるデータセットとパフォーマンスメトリクスを要約します。
  論文  参考訳（メタデータ） (2020-01-14T13:11:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。