论文解读
Syncspeech: Efficient and Low-Latency Text-to-Speech Based on Temporal Masked Transformer
语音合成 | 7.5/10
语音合成 | 7.5/10
语音识别 语音合成 | 7.0/10
语音识别 | 7.0/10
语音情感识别 | 7.0/10
空间音频 | 8.0/10
语音增强 | 7.5/10
领域适应 | 7.0/10
音频分类 | 6.5/10
音乐信息检索 | 7.0/10
音频事件检测 | 7.5/10
语音情感识别 | 7.5/10
语音增强 | 7.5/10
语音伪造检测 | 7.0/10
语音伪造检测 | 8.0/10
音频检索 | 8.0/10
音乐理解 | 7.5/10
语音生成 | 8.0/10
说话人分离 | 6.5/10
音频安全 | 7.5/10
1. **问题**:针对环境声音(包括声音场景和声音事件)的深度伪造检测(ESDD)任务,现有研究不足,且尚不清楚声音场景与声音事件的伪造检测是否需要不同模型。 2. **方法核心**:提出一个深度学习框架,核心是采用预训练的音频模型(BEATs)作为特征提取器,并结合一种三阶段训练策略(包含对