Face Recognition
Emotion Detection
面向人脸与情绪识别的视频和音频数据预处理与分析
构建用于面部分析、姿态估计和情绪检测的视频预处理流水线的研究报告。
Aditya Sundar - Waseda University
2 min
博客
VoicePing的见解、技巧和更新
3 / 4
Machine Translation
Large Language Models
大语言模型机器翻译与幻觉问题的缓解
基于 Llama 3.1 的中英翻译微调及幻觉缓解策略研究
Shuang LIANG - The University of Tokyo
2 min
TTS
Text-to-Speech
使用 Bert-VITS2 构建中文（普通话）语音合成系统
基于 AISHELL-3 数据集和 Bert-VITS2 框架开发普通话语音合成系统的研究报告。
Boxuan Lyu - Tokyo Institute of Technology
2 min
Machine Translation
RAFT
使用 RAFT（检索增强微调）提升英中翻译性能
基于 Llama 3.1 的英中双向翻译 RAFT 方法探索
Kai-Teh Tzeng - Lehigh University
1 min
Speaker Diarization
Pyannote
说话人分离性能评估：Pyannote.audio vs Nvidia NeMo 及 GPT-4 后处理
通过 DER 分析和实时应用开发，对说话人分离框架进行比较评估。验证 Pyannote.audio 与 Nvidia NeMo 之间的性能差异。
Taishin Maeda - Waseda University
3 min
Pronunciation
Speech Analysis
基于自注意力模型的音节级发音重音检测
利用自注意力模型识别英语口语中音节重音级别的研究
Wang Weiying and Nakajima Akinori
1 min