arXiv
SonoWorld4D: From One Video to a 4D Audio-Visual Scene via Diffusion Synchronization
Recent progress in visual scene generation has extended beyond static 3D scenes toward the more chal...
HABERLER
Tüm Haberler
Yapay zekâ dünyasından son haberler, derinlikli analizler, teknik incelemeler.
12Yazı
2Yazar
5.2KOkuma · 30g
5Bu Hafta
EDİTÖR seçimi
RSS · BU KATEGORİ →
xAI, Imagine API’yi 2.0’a Yükseltmeye Hazırlanıyor: Görüntü ve Video Tek API’de Birleşiyor
Yapay Zeka HaberleriMicrosoft MAI-Cyber-1-Flash’ı Duyurdu
Microsoft, İlk Siber Güvenlik Modeli MAI-Cyber-1-Flash’ı ve MDASH Sistemini Duyurdu Microsoft, 27 Temmuz 2026 tarihinde siber güvenlik odaklı ilk kendi modelini ve…
Yapay Zeka HaberleriMoonshot AI, Kimi K3 Model Ağırlıklarını ve Teknik Raporunu Açık Kaynak Olarak Yayınladı
Moonshot AI, 27 Temmuz 2026 tarihinde Kimi K3 modelinin tam model ağırlıklarını (weights) ve teknik raporunu resmi olarak açık kaynak olarak yayınladı.…
arXiv
Multimodal Concert Video Editing: System Design and Exploratory Evaluation
Editing multi-camera concerts requires coordinated decisions about musical relevance, visual quality...
arXiv
WorldSonus: Bringing Sound to Worlds
Recent advances in world models have enabled increasingly realistic visual synthesis.
arXiv
Paradee: Distilling Kokoro-82M into an 8M-Parameter Single-Voice Text-to-Speech Model
We distill Kokoro-82M, a widely used open text-to-speech model with 54 voices, into Paradee, an 8.07...
arXiv
Revisiting Input Time-frequency Representations in Multi-pitch Estimation for Vocal Ensembles
Multi-pitch estimation in vocal ensembles is challenging because singers occupy overlapping pitch ra...
arXiv
EmoRES-TTS: Residual-Enhanced Vector Steering for Emotional Speech Generation
Emotion-conditioned text-to-speech (TTS) models may fail to express the requested emotion reliably, ...
arXiv
LACE: Layer-Wise Compression for Dynamic Frame Rate Codecs
Neural audio codecs are a key component in speech language modeling.
arXiv
TamilEOT: A Dataset and Model for Semantic End-of-Turn Detection in Tamil Telephone Speech
A voice agent must decide, at each pause, whether the speaker has finished or is still thinking.
arXiv
Doğallığın Ötesinde: Otomatik Metin-Konuşma Değerlendiricilerini Dilbilimsel Temelli Boyutlar Üzerinde İncelemek
Otomatik Metin-Konuşma (TTS) değerlendirme yöntemlerinin (Ortalama Görüş Puanı (MOS) yordayıcıları v...
arXiv
Ayrıştırılmış Zamansal Derinlik Yayılım Transformatörleri ile Bellek Verimli Ses Sentezi
Siri Expressive Voices, Apple'ın en güçlü cihaz içi temel modeli olan AFM 3 Core Advanced tarafından...
arXiv
DEAF: A Benchmark for Diagnostic Evaluation of Acoustic Faithfulness in Audio Language Models
Recent Audio Multimodal Large Language Models (Audio MLLMs) demonstrate impressive performance on sp...
arXiv
Same Words, Different Judgments: How Preferences Vary Across Modalities
Preference-based reinforcement learning (PbRL) is the dominant framework for aligning AI systems to ...