Newest papers

NeuroCodec: EEG-Guided Latent-Domain Generative Model for High-Fidelity Target Speaker Extraction

Julian Silva, Jaliya Kodithuwakku, Navindu Sirimanna, Shaveen Herath, Wageesha N. Manamperi, Joshua P. Kulasingham · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29815 · open-access PDF

Arabic

وتشجع التطورات الأخيرة في الأجهزة المساعدة في الاستماع، استيعاب المتصفح الداخلي (TSE) في بيئات متعددة المتحدثين على الاهتمام الكبير. لمناقشة هذا، تتمكن التقنيات الاستماعية من تحديد الاهتمام باستخدام الإشارات العصبية المسجلة عبر الهواتف الذكية (EEG) لتقييم TSE، مما يسمح بتصوير الاهتمام الاستماعي المستقل. ومع ذلك، فإن معظم التقنيات الموجودة تعتمد على التخزين في التكاليف الزمنية، والذي يعاني من الاهتمام المنخفض في المناطق التي تتوافق مع الأقمار الصناعية في الوقت المناسب، وعادة ما يكون محدوداً إلى الصوت ببطء. بدلاً من ذلك، نحن نقدم NeuroCodec، الذي، إلى أفضل ما نعرف

Machine translation (Meta M2M100); the English original follows.

Abstract

Driven by recent advancements in hearing assistive devices, target speaker extraction (TSE) in multi-talker environments has drawn significant attention. To address this, hearing technologies identify attention using neural signals recorded via electroencephalography (EEG) to guide TSE, enabling neuro-steered auditory attention decoding. However, most existing techniques rely on time-frequency masking, which suffers from low fidelity in spectro-temporally overlapping regions and is often restricted to narrowband audio. In contrast, we introduce NeuroCodec, which, to the best of our knowledge,

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange