计算机科学 > 计算机视觉与模式识别
[提交于 2025年8月28日
(v1)
,最后修订 2025年10月16日 (此版本, v2)]
标题: 面向包容性交流:从手语、口型和音频生成口语语言的统一框架
标题: Towards Inclusive Communication: A Unified Framework for Generating Spoken Language from Sign, Lip, and Audio
摘要: 音频是人类交流的主要方式,并推动了自动语音识别(ASR)技术的成功。 然而,这种以音频为中心的系统本质上排除了聋人或听力障碍的人。 视觉替代方案,如手语和读唇术,提供了有效的替代方案,近年来手语翻译(SLT)和视觉语音识别(VSR)的进步改善了无音频的交流。 然而,这些模式在很大程度上是在孤立的情况下研究的,它们在一个统一框架内的集成仍然研究不足。 在本文中,我们提出了第一个能够处理手语、唇部运动和音频的各种组合的统一框架,用于口语语言文本生成。 我们专注于三个主要目标:(i) 设计一个统一的、模态无关的架构,能够有效处理异构输入;(ii) 探索模态之间的未充分研究的协同作用,特别是唇部运动在手语理解中作为非手动线索的作用;以及(iii) 实现与专门针对单个任务的最先进模型相当或更优的性能。 基于这个框架,我们在SLT、VSR、ASR和视听语音识别方面实现了与特定任务的最先进模型相当或更好的性能。 此外,我们的分析揭示了一个关键的语言学见解:将唇部运动明确建模为一个独立的模态,通过捕捉关键的非手动线索,显著提高了SLT性能。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.