AI 大模型

多模态大模型

跨文本、图像、视频、音频等模态的大模型与学习方法。

2025-08-18 至 2025-08-18 共收录 4 篇信号源：cs.CV, cs.CL, cs.AI, cs.MM, eess.AS

1. 音频语音多模态 4 篇

2508.11362 2025-08-18 cs.SD eess.AS 79%

Honghong Wang, Yankai Wang, Dejun Zhang, Jing Deng, Rong Zheng

机构 * Beijing Fosafer Information Technology Co., Ltd.（北京福萨弗信息科技有限公司）

专题命中音频语音多模态：multimodal(title,abstract)；分类 eess.AS

Comments 2 pages. pubilshed by ICASSP2025

2508.11187 2025-08-18 eess.AS cs.CL cs.SD 62%

Wonjune Kang, Deb Roy

机构 * Massachusetts Institute of Technology（麻省理工学院）

专题命中音频语音多模态：cross-modal(abstract)；分类 cs.CL、eess.AS

Comments Accepted to ASRU 2025

2508.11255 2025-08-18 cs.CV 57%

MengChao Wang, Qiang Wang, Fan Jiang, Mu Xu

机构 * Project Leader（项目负责人）

专题命中音频语音多模态：multimodal(abstract)；分类 cs.CV

2508.11074 2025-08-18 cs.SD cs.AI cs.CV eess.AS 56%

Haomin Zhang, Kristin Qi, Shuxin Yang, Zihao Chen, Chaofan Ding, Xinhan Di

机构 * Giant Network, China（中国巨网）； Computer Science, University of Massachusetts Boston（马萨诸塞大学波士顿分校计算机科学系）

专题命中音频语音多模态：分类 cs.CV、cs.AI、eess.AS；audio-visual(comments)

Comments Gen4AVC@ICCV: 1st Workshop on Generative AI for Audio-Visual Content Creation