Superlets: 時間-周波数解析における「超解像度」filterbank
概要 KaggleのHMSコンペ[4]の1st place solution[3]のアンサンブルモデルの一つにSuperlets[1]というfilterbankが使われていた。このfilterbankの特徴を原著により確認していく。 原著ではEEGに対する視覚的評価などを行なっているが、ここではとりあえず何をやっているかを把握したいだけなので理論的な内容に留める。 なお、タイトルの「超解像度」というのは原著のタイトルにちなんだ。おそらく著者らの意図としては「単一フィルタにおける理論的な制約を超えた解像度の表現が得られる」というのが言いたいのだと思われる。 用語 日本語でどう訳すのが一般的かわからなかったが、本稿では仮に以下の訳を用いる。 周期数(number of cycles): Wavelet変換(Morlet)における窓関数のパラメータc。直感的には「window中に含まれる有効な周
CoDi: Generate Anything from Anything All At Once through Composable Diffusion
1University of North Carolina at Chapel Hill, 2Microsoft Azure Cognitive Services Research * Work done at Microsoft internship and UNC. †Corresponding Authors We present Composable Diffusion (CoDi), a novel generative model capable of generating any combination of output modalities, such as language, image, video, or audio, from any combination of input modalities. Unlike existing generative AI sy
Riffusion
🔥🔥🔥😱 Really? Yup. This is the v1.5 stable diffusion model with no modifications, just fine-tuned on images of spectrograms paired with text. Audio processing happens downstream of the model. It can generate infinite variations of a prompt by varying the seed. All the same web UIs and techniques like img2img, inpainting, negative prompts, and interpolation work out of the box. Code: https://git
日本音響学会2023春季研究発表会 発表報告 | 株式会社AI Shift
こんにちは。AIチームの東です。 2023年3月15日(水)から3月17日(金)にかけて開催された日本音響学会 第149回(2023年春季)研究発表会にて、AI Shiftと共同研究を行っている名古屋工業大学 李研究室から1件、ポスター発表がありました。 本記事では当日の発表で頂いた質疑応答を抜粋して掲載します。発表内容の概要については前回の記事をご覧ください。 発表報告 [2-3P-2] Continuous Integrate-and-Fire を用いた音声区間検出とターン終了検知のマルチタスク学習 著者：池口弘尚 (名工大)，東佑樹 (AI Shift)，上乃聖，李晃伸 (名工大) 議論 ■CIF、モデルの挙動、実験結果について： Q. 特徴量は何を使っているのか A. 64次元の対数ログメルスペクトログラムを使用している。 Q. 本手法はフレーム毎に何かを予測しているのか？また、α
Deep Learning for Audio Signal Processing
Given the recent surge in developments of deep learning, this article provides a review of the state-of-the-art deep learning techniques for audio signal processing. Speech, music, and environmental sound processing are considered side-by-side, in order to point out similarities and differences between the domains, highlighting general methods, problems, key references, and potential for cross-fer
Using AI to compress audio files for quick and easy sharing
Compression is an important part of the internet today, because it enables people to easily share high-quality photos, listen to audio messages, stream their favorite shows, and so much more. Even when using today’s state-of-the-art techniques, enjoying these rich multimedia experiences requires a speedy internet connection and plenty of storage space. For current and future experiences — like the
Make-An-Audio: Text-To-Audio Generation with Prompt-Enhanced Diffusion Models
1Zhejiang University 2Peking University 3Speech & Audio Team, ByteDance AI Lab *Equal Contribution Abstract Large-scale multimodal generative modeling has created milestones in text-to-image and text-to-video generation. Its application to audio still lags behind due to two main reasons: the lack of large-scale datasets with high-quality text-audio pairs, and the complexity of modeling long contin
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Explore Sound!
GitHub - google-research/leaf-audio: LEAF is a learnable alternative to audio features such as mel-filterbanks, that can be initialized as an approximation of mel-filterbanks, and then be trained for the task at hand, while using a very small number of pa
What you’ll learn and what you’ll build - Hugging Face Audio Course
PowerPoint プレゼンテーション
ICASSP2023 through my lens | Jordi Pons
GitHub - nttcslab/m2d: Masked Modeling Duo: Learning Representations by Encouraging Both Networks to Model the Input
Masked Modeling Duo: Learning Representations by Encouraging Both Networks to Model the Input
GitHub - riffusion/riffusion: Stable diffusion for real-time music generation
writeout.ai
SPEAR-TTS
Multi Source Diffusion Models
Notion – The all-in-one workspace for your notes, tasks, wikis, and databases.
AudioLDM: Text-to-Audio Generation with Latent Diffusion Models - Speech Research