XiaoMi-AI文件搜索系统
World File Search System音频
在学习中使用音乐音频媒体（歌曲）
摘要：这项研究是由认为学习阿拉伯语往往很无聊的学生人数。因此，教育者和学生需要学习媒体的作用，以便可以更轻松地完成教学过程，以理解材料并促进对学习学生的兴趣。用简单语言学习阿拉伯语的歌曲将帮助学生轻松理解材料。这项研究旨在找出并确定在Al-Azhar所使用的SDS学习阿拉伯语中使用歌曲媒体的效果。本研究中使用的方法是通过观察，访谈定性的。通过观察技术收集的数据，对阿拉伯学科教师以及学生的访谈。结果表明，与歌曲媒体在SD上学习阿拉伯语的阿拉伯学习活动IT Al-Azhar Plered对学生的影响很大，这使学生在学习时唱歌更容易理解。
HPCNeuroNet：利用变压器增强型脉冲神经网络推进神经形态音频信号处理
摘要 —本文提出了一种神经形态音频处理的新方法，将脉冲神经网络 (SNN)、Transformers 和高性能计算 (HPC) 的优势整合到 HPCNeuroNet 架构中。利用英特尔 N-DNS 数据集，我们展示了该系统处理多种语言和噪声背景下的不同人类声音录音的能力。我们方法的核心在于将 SNN 的时间动态与 Transformers 的注意机制相融合，使模型能够捕捉复杂的音频模式和关系。我们的架构 HPC-NeuroNet 采用短时傅里叶变换 (STFT) 进行时频表示，采用 Transformer 嵌入进行密集向量生成，采用 SNN 编码/解码机制进行脉冲序列转换。通过利用 NVIDIA 的 GeForce RTX 3060 GPU 和英特尔的 Core i9 12900H CPU 的计算能力，系统的性能得到进一步增强。此外，我们在 Xilinx VU37P HBM FPGA 平台上引入了硬件实现，针对能源效率和实时处理进行了优化。所提出的加速器在 100 MHz 下实现了 71.11 千兆操作每秒 (GOP/s) 的吞吐量，片上功耗为 3.55 W。与现成设备和最新最先进实现的比较结果表明，所提出的加速器在能源效率和设计灵活性方面具有明显优势。通过设计空间探索，我们提供了优化音频任务核心容量的见解。我们的发现强调了集成 SNN、Transformers 和 HPC 进行神经形态音频处理的变革潜力，为未来的研究和应用树立了新的标杆。
smack：语义上有意义的对手音频攻击
Smack是一种对抗性音频攻击，它利用了对韵律属性的操纵来制作对抗性语音示例。我们的工件包括源代码，用于控制语音韵律的生成模型，以及用于攻击测试的自动语音识别（ASR）和扬声器识别（SR）模型。要操作攻击框架工作，用户需要在命令行中运行程序，提供攻击类型（即针对ASR或SR系统）并指定攻击目标（即目标转录或说话者标签）。预期的结果是对抗性音频样本。考虑到SMACK中涉及的语音生成模型的复杂性，建议使用中等CPU和至少8GB VRAM的GPU的机器。请注意，运行时可能会因用户的硬件而异。我们已将所需依赖项的列表汇编成YML配置文件。
生成音频 AI 的需求驱动视角
Q2. 当前基于文本的音频生成产品有哪些局限性？调查结果如图 1 所示。在这个问题中，调查发现音频质量是实际使用中面临的最大挑战。根据他们的评论，对质量的担忧还包括其他方面，例如低保真度、低采样率、粗糙度和其他相关因素。大多数受访者对采样率表示抱怨。值得注意的是，虽然行业要求全频带信号为 48kHz 或更高，但当前大多数系统仍在 16kHz-24kHz 范围内运行（Kreuk 等人，2022 年；Huang 等人，2023 年；Liu 等人，2023 年）。对于创造力，这是第二大最常选择的类别，它指的是生成满足艺术意图的新声音，例如创造“星球大战中光剑的声音”。而获得票数排名第三和第四的“编辑”和“文本”等词条则表明了可控性的问题。
cu-icar音频技术
为了为教职员工，合作伙伴和与会者提供最佳的活动支持，我们要求您与IT员工协调至少（3）个工作日。这将使IT人员可以就技术功能和用例进行沟通。每个员工可用性将以先到先得的基础来处理支持请求。
音频焦点：交互式空间声音与触觉相结合，以改善能见度低下的声源定位
为了简化人力资源管理并降低成本，现在越来越多的控制塔被设计为远程控制，而不是直接植入机场。这个概念被称为远程控制塔，它提供了一种“数字”工作环境，因为跑道上的视图是通过位于实际机场的摄像头远程广播的。这为研究人员和工程师提供了开发新颖交互技术的可能性。但这项技术依赖于视觉，视觉主要用于向操作员提供信息和交互，而现在视觉已经变得超负荷。在本文中，我们专注于设计和测试依赖于人类听觉和触觉的新型交互形式。更准确地说，我们的研究旨在量化基于空间声音和振动触觉反馈的多模态交互技术对改善飞机定位的贡献。应用于远程塔环境，最终目的是增强空中交通管制员的感知并提高安全性。在模拟环境中，通过涉及 22 名空中交通管制员，比较了三种不同的交互模式。实验任务是通过两种可见性条件，利用听觉和触觉定位不同空域位置的飞机。在第一种模式（仅空间声音）中，声源（例如飞机）具有相同的放大系数。在第二种模式（称为音频焦点）中，
许多但并非所有深度神经网络音频模型都能捕捉大脑反应并表现出模型阶段和大脑区域之间的对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学言语与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 预测大脑对刺激的反应的模型提供了对感觉系统的一种理解，并且在科学和工程领域有许多潜在的应用。因此，刺激可计算的感觉模型是神经科学的长期目标。深度神经网络已成为视觉系统的主要预测模型，但在听觉领域的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并表现出模型阶段和大脑区域之间的对应关系，但尚不清楚这些结果是否能推广到其他神经网络模型，以及如何进一步改进该领域的模型。我们评估了公开可用的音频神经网络模型以及在四种不同任务上训练的内部模型的模型-大脑对应关系。大多数测试模型的预测结果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应关系：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。在干净语音（未添加背景噪音）上训练的模型产生了更差的大脑预测，这可能是因为在噪音中听觉对生物听觉表征施加了限制。训练任务影响了特定皮层调节属性的预测质量，在多项任务上训练的模型产生的最佳整体预测。结果普遍支持深度神经网络作为听觉模型的前景，但它们也表明当前的模型不能完全解释听觉皮层反应。
删除音频驱动的nerf：与特定身份的微表达式的交谈型
最近的研究使会说话的头视频的渲染能够捕捉到高富达的头部动态。然而，对详细的身份 - 特定的微表达和自发运动进行建模，例如唇部运动和眼睛闪烁，同时在听觉和视觉信号之间实现高度同步，这一挑战是一个挑战。在本文中，我们借助于散布的音频来解决此问题。具体来说，我们首先提取将保留特定于身份信息的核心听觉组件（content，timbre，ronythm和pitch）中脱离的音频功能。然后，散布的音频嵌入与视觉嵌入一起馈入条件隐式功能，以便学习高质量的视听映射以获取细节。实验结果表明，我们的方法可以（1）成功渲染针对每个正在建模的人的个性化的详细的身份 - 特定于特定的微表达，（2）提高了音频视觉渲染结果的保真度。
NASA ORION 音频系统
L3Harris Technologies 是全球航空航天和国防工业值得信赖的颠覆者。我们始终将客户的关键任务需求放在首位，拥有 46,000 名员工，提供连接太空、空中、陆地、海洋和网络领域的端到端技术解决方案。L3Harris.com。