多模态大模型

OmniResponse: Online Multimodal Conversational Response Generation in Dyadic Interactions

Cheng Luo, Jianghui Wang, Bing Li, Siyang Song, Bernard Ghanem

专题命中 音频语音多模态 ：multimodal(title,abstract)；MLLM(abstract)；audio-visual(abstract)；分类 cs.CV、cs.AI

Comments 25 pages, 9 figures

Listening without Looking: Modality Bias in Audio-Visual Captioning

Yuchi Ishikawa, Toranosuke Manabe, Tatsuya Komatsu, Yoshimitsu Aoki

机构 * LY Corporation（LY公司） ； Keio University（庆应大学） 纠错

专题命中 音频语音多模态 ：audio-visual(title,abstract)；分类 cs.CV、eess.AS

Comments under review

Abjad AI at NADI 2025: CATT-Whisper: Multimodal Diacritic Restoration Using Text and Speech Representations

Ahmad Ghannam, Naif Alharthi, Faris Alasmary, Kholood Al Tabash, Shouq Sadah, Lahouari Ghouti

专题命中 音频语音多模态 ：multimodal(title,abstract)；分类 cs.CL

Model-Guided Dual-Role Alignment for High-Fidelity Open-Domain Video-to-Audio Generation

Kang Zhang, Trung X. Pham, Suyeon Lee, Axi Niu, Arda Senocak, Joon Son Chung

机构 * KAIST, South Korea（韩国釜山国立大学） ； NWPU, China（中国西北工业大学） ； UNIST, South Korea（韩国全南国立大学） 纠错

专题命中 音频语音多模态 ：cross-modal(abstract)；audio-visual(abstract)；分类 cs.AI、cs.MM、eess.AS

Comments accepted by NeurIPS 2025

"Mm, Wat?" Detecting Other-initiated Repair Requests in Dialogue

Anh Ngo, Nicolas Rollet, Catherine Pelachaud, Chloe Clavel

机构 * ALMAnaCH, INRIA Paris（ALMAnaCH，INRIA巴黎） ； Télécom Paris, SES, Institut Polytechnique de Paris, I3-CNRS（Télécom巴黎，SES，巴黎高等理工学院，I3-CNRS） ； Télécom Paris, LTCI, Institut Polytechnique de Paris（Télécom巴黎，LTCI，巴黎高等理工学院） ； CNRS, ISIR, Sorbonne University（CNRS，ISIR，索邦大学） ； ISIR, Sorbonne University（ISIR，索邦大学） 纠错

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

Comments 9 pages

Acoustic and Machine Learning Methods for Speech-Based Suicide Risk Assessment: A Systematic Review

Ambre Marie, Marine Garnier, Thomas Bertin, Laura Machart, Guillaume Dardenne, Gwenolé Quellec, Sofian Berrouiguet

机构 * University of Western Brittany（西部布列塔尼大学） ； Psychiatry Department, CHU Brest（布列塔尼大学精神科部门） 纠错

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

Comments Preprint version of a manuscript submitted to the Journal of Affective Disorders

MORA: AI-Mediated Story-Based practice for Speech Sound Disorder from Clinic to Home

Sumin Hong, Xavier Briggs, Qingxiao Zheng, Yao Du, Jinjun Xiong, Toby Jia-jun Li

专题命中 音频语音多模态 ：multimodal(abstract)

V-SAT: Video Subtitle Annotation Tool

Arpita Kundu, Joyita Chakraborty, Anindita Desarkar, Aritra Sen, Srushti Anil Patil, Vishwanathan Raman

机构 * LTIMindTree 纠错

专题命中 音频语音多模态 ：audio-visual(abstract)