AI 看唇语，在嘈杂场景的语音识别准确率高达75%
人们通过聆听和观察说话者的嘴唇动作来感知言语。那么，AI 也可以吗？ 事实上，研究表明视觉线索在语言学习中起着关键的作用。相比之下，人工智能语言识别系统主要是建立在音频上。而且需要大量数据来训练，通常需要数万小时的记录。 为了研究视觉效果，…
169 0 0
声浪
嘈杂场景语音识别准确率怎么提升？关键时刻还得看唇语！
借助读唇语，人类能够更容易听懂他人的讲话内容，那么AI也能如此吗？ 最近，Meta提出了一种视听版BERT，不仅能读唇语，还能将识别错误率降低75%。效果大概就像如下这样，给一段视频，该模型就能根据人物的口型及语音输出他所说的内容。 而且与…
124 0 0
论文分享 | PortaSpeech: 轻量级、高质量的生成式语音合成模型
本次分享FastSpeech作者任意发表于NeurIPS 2021的另一篇语音合成论文《PortaSpeech: Portable and High-Quality Generative Text-to-Speech》。该论文提出了一个轻量…
668 0 0
陆昱：基于文本和语音的双模态情感分析
分享嘉宾：陆昱博士追一科技 算法工程师 编辑整理：吴祺尧 出品平台：DataFunTalk 导读：今天和大家分享的主题是基于文本和语音的双模态情感分析。大家可能会从自然语言处理的角度认为情感分析已经做得比较成熟了，缺少进一步研究的方向。此外…
212 0 0
有声书：语音合成的重要应用
语音合成（Speech Synthesis）是指赋予机器像人一样开口说话的能力，是实现自然人机交互的重要一环。语音合成除了在语音交互中充当机器嘴巴的能力之外，还在AI有声朗读、障碍语音恢复等任务中具有重要应用。语音合成的应用场景包括语音助手…
51 0 0
论文分享 | VITS: 基于条件变分自编码器和对抗学习的端到端语音合成模型
本次分享ICML 2021会议中一篇语音合成的佳作《Conditional Variational Autoencoder with Adversarial Learning for End-to-End Text-to-Speech》(A…
461 0 0
字节跳动智创语音团队发布高保真、低延迟、高并发的AI歌唱合成技术
字节跳动智能创作语音团队SAMI（Speech, Audio and Music Intelligence）近日上线一项高保真、低延迟、高并发歌唱合成技术。该技术在兼顾保真度和速度上实现了一定的突破：一方面，AI模型可以模拟人类独特的音色、…
50 0 0
论文分享 | S3PRL-VC：基于自监督语音表示的开源语音转换框架
本次分享日本名古屋大学Tomoki Toda教授、国立台湾大学李宏毅教授和卡内基梅隆大学Shinji Watanabe教授三位大佬合作投稿于ICASSP2022的论文《S3PRL-VC: Open-source Voice Conversi…
321 1 0
Call for Proposals: Short Courses at ICASSP 2022
Short-Course Proposals Submission Deadline:7 January 2022 Short-Course Acceptance Notification:12January, 2022 The IEEE…
113 0 0
社区分享 | AI 作曲
小时候的游戏 小时候，我热衷于一类数字游戏，在一堆数字里寻找规律。 比如：1，1，2，3，5，8，13, __?. 答案是 21。所有数字都满足规律：「第三个数字等于前两个数字之和」。 而这个乐于寻找规律的习惯，似乎一直在伴随着我的成长。即…
50 0 0