( en | de | ru )

 

Disambiguierung von "Yamagishi, Junichi"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
LDNet: Unified Listener Dependent Modeling in MOS Prediction for Synthetic Speech.

, , , und . ICASSP, Seite 896-900. IEEE, (2022)

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Junichi Nonaka

Junichi Kumada

Junichi Suzuki

Junichi Yoshida

 

Weitere Publikationen von Autoren mit dem selben Namen

Autoregressive Neural F0 Model for Statistical Parametric Speech Synthesis., , und . IEEE ACM Trans. Audio Speech Lang. Process., 26 (8): 1406-1419 (2018)A Style Adaptation Technique for Speech Synthesis Using HSMM and Suprasegmental Features, , , und . IEICE Transactions on Information and Systems, E89-D (3): 1092-1099 (März 2006)Average-Voice-Based Speech Synthesis. Tokyo Institute of Technology, Tokyo, Japan, (2006)The CSTR/EMIME HTS System for Blizzard Challenge 2010, und . Proceedings of the Blizzard Challenge Workshop, Seite 1-6. Kansai Science City, Japan, (September 2010)Analysis of Speaker Adaptation Algorithms for HMM-Based Speech Synthesis and a Constrained SMAPLR Adaptation Algorithm, , , , und . IEEE Transactions on Audio, Speech, and Language Processing, 17 (1): 66-83 (Januar 2009)Introduction to the Issue on Spoofing and Countermeasures for Automatic Speaker Verification., , , , und . IEEE J. Sel. Top. Signal Process., 11 (4): 585-587 (2017)Glottal Spectral Separation for Speech Synthesis., , , und . IEEE J. Sel. Top. Signal Process., 8 (2): 195-208 (2014)XFEVER: Exploring Fact Verification across Languages., , und . CoRR, (2023)Integrating Articulatory Features Into HMM-Based Parametric Speech Synthesis., , , und . IEEE Trans. Speech Audio Process., 17 (6): 1171-1185 (2009)Exploring Isolated Musical Notes as Pre-training Data for Predominant Instrument Recognition in Polyphonic Music., , , und . APSIPA ASC, Seite 2312-2319. IEEE, (2023)