Audio-Novel

Analyse des Einsatzes von GPT-3 als Co-Erzähler im Live-Improvisationstheater. Behandelt Methodik, Publikums-/Darstellerfeedback und Implikationen für kreative Mensch-KI-Kollaboration.

Umfassende technische Dokumentation und Ressourcen zur audio-novel-Technologie und ihren Anwendungen.

Forschung zur Audiosuche mit freien Sprachabfragen, die neue Benchmarks und Baselines für cross-modales Audio-Retrieval einführt.

Analyse von AudioBoost, einem System, das LLMs nutzt, um aus Hörbuch-Metadaten synthetische Suchanfragen zu generieren und so die Auffindbarkeit und Suchvorschläge in Spotifys Cold-Start-Szenario zu verbessern.

Analyse von Audiobook-CC, einem neuartigen Sprachsynthese-Framework zur Erzeugung kohärenter, emotional ausdrucksstarker Mehrsprechers-Hörbücher mit feingranularer Kontrolle und Langkontext-Modellierung.

Analyse von Audiobook-CC, einem neuartigen TTS-Framework zur Erzeugung kohärenter, emotional ausdrucksstarker und kontextuell konsistenter Multicast-Hörbücher mit feingranularer Steuerung.

Spotifys innovatives 2T-HGNN-System kombiniert Heterogeneous Graph Neural Networks und Two-Tower-Modelle für skalierbare Hörbuch-Empfehlungen mit +46 % mehr Starts.

Ein neuartiger Meta-Learning-Ansatz (MAMLCon), der katastrophales Vergessen bei kontinuierlichem Few-Shot-Lernen für die Klassifikation gesprochener Wörter mildert und bestehende Methoden wie OML übertrifft.

Analyse der Integration mobiler Hörbücher zur Entwicklung von Hörverständnisfähigkeiten bei EFL-Studierenden, mit Vorteilen, Auswahlkriterien, Unterrichtsphasen und Bewertung.

Analyse von Movie101v2, einem groß angelegten bilingualen Datensatz für Filmerzählungen, einschließlich seiner dreistufigen Aufgaben-Roadmap, Baseline-Evaluierungen und zukünftiger Forschungsrichtungen.

Eine Analyse der Forschung, wie Hintergrundmusik mit und ohne Gesangstexte die Erkennung gesprochener Wörter beeinflusst, mit Implikationen für soziale Umgebungen und zukünftige Arbeiten.

Ein interaktives Autorentool, das die Erstellung animierter Datenvideos vereinfacht, indem es die Erzählung mit Diagrammanimationen verknüpft und struktur-sensible Animationseffekte bereitstellt.

Dieses Paper stellt die neue Aufgabe der Erzählungsgenerierung für Videos vor, präsentiert einen Datensatz aus Peppa Pig und schlägt Modelle für Timing und Inhaltsgenerierung vor.

Analyse eines Computermodells, das die Rolle der phonetischen Wahrnehmung bei der Wortverarbeitung Nicht-Muttersprachlicher untersucht und traditionelle phonologische Erklärungen hinterfragt.

Ein zweistufiges Framework zur Einbettung gesprochener Wörter mit phonetischen und semantischen Informationen, das eine erweiterte Suche in gesprochenen Dokumenten über einfache Begriffssuche hinaus ermöglicht.

Forschung zur Vorhersage von Prosodieattributen (Tonhöhe, Lautstärke, Sprechgeschwindigkeit) aus Erzähltexten mithilfe von NLP und Sprachmodellen zur Verbesserung der TTS für die Hörbuchgenerierung.

Forschung zur computergestützten Identifikation unzuverlässiger Erzähler mittels LLMs, mit TUN-A-Datensatz und Klassifizierung intra-narrativer, inter-narrativer und inter-textueller Unzuverlässigkeit.

Eine Forschungsarbeit, die untersucht, wie verrauschte Audiokommentare als schwache Supervision genutzt werden können, um Videomodelle zur Aktionserkennung zu trainieren, um Annotationskosten zu senken und multimodale Merkmale zu nutzen.

Ein Null-Ansatz zur Generierung ausdrucksstarker Hörbücher mit multimodalen Sprecher-Personas und LLM-basierten Skriptanweisungen, ohne kostspieliges Training oder manuelle Annotation.

Eine technische Analyse von MultiActor-Audiobook, einem neuartigen Zero-Shot-System zur Erzeugung ausdrucksstarker Hörbücher mithilfe multimodaler Sprecher-Personas und LLM-basierter Skriptanweisungen.