Audio-Novel

تحلیل استفاده از GPT-3 به عنوان راوی همکار در تئاتر بداهه زنده. شامل روش‌شناسی، بازخورد مخاطب/بازیگر و پیامدهای آن برای همکاری خلاق انسان و هوش مصنوعی.

تحلیل توانایی مدل‌های زبانی بزرگ در حفظ جهان‌های داستانی سازگار، آشکارکننده محدودیت‌ها در انسجام روایی و نگهداری حالت برای نوشتن خلاق.

مستندات فنی جامع و منابع مربوط به فناوری و کاربردهای audio-novel.

تحقیق در مورد بازیابی صوت با استفاده از پرس‌وجوهای زبان طبیعی آزاد، معرفی معیارها و خطوط پایه جدید برای بازیابی صوتی بین‌حالتی

تحلیل چارچوب نظری برای مفهوم‌سازی تفاوت‌های بین خواندن کتاب چاپی و گوش دادن به کتاب صوتی، با تأکید بر شیوه‌های گوش دادن سیار.

تحلیل سیستم AudioBoost که از مدل‌های زبانی بزرگ برای تولید پرس‌وجوهای مصنوعی از فراداده‌های کتاب‌های صوتی، به منظور بهبود بازیابی و پیشنهادات جستجو در سناریوی شروع سرد اسپاتیفای استفاده می‌کند.

تحلیل سیستم AudioBoost که از مدل‌های زبانی بزرگ برای تولید پرس‌وجوهای مصنوعی به منظور بهبود بازیابی کتاب‌های صوتی در موتور جستجوی اسپاتیفای در شرایط شروع سرد استفاده می‌کند.

تحلیل Audiobook-CC، یک چارچوب نوین ترکیب گفتار برای تولید کتاب‌های صوتی چندصدایی منسجم و دارای بیان عاطفی با کنترل دقیق و مدل‌سازی زمینه‌ی طولانی.

تحلیل Audiobook-CC، یک چارچوب TTS نوآورانه برای تولید کتاب‌های صوتی چندگانه منسجم، دارای بیان احساسی و سازگار با زمینه، همراه با کنترل دقیق.

تحلیلی انتقادی از نقد کتاب 'کتاب‌های صوتی دیجیتال' که نظریه رسانه‌ای شدن، پدیدارشناسی پسین و چشم‌انداز در حال تحول مصرف ادبیات مبتنی بر صوت را بررسی می‌کند.

تحلیل مدل‌های ترجمه گفتار به متن سرتاسری روی یک پیکره کتاب صوتی تقویت‌شده، بررسی سناریوهای آموزش و کارایی مدل.

سیستم نوآورانه 2T-HGNN اسپاتیفای که شبکه‌های عصبی گراف ناهمگن و مدل‌های دو برجی را برای توصیه‌های مقیاس‌پذیر کتاب صوتی ترکیب می‌کند و 46٪ افزایش نرخ شروع را محقق کرده است.

تحلیل روش‌شناسی ساخت پیکره‌ی J-MAC، مشارکت‌های فنی، نتایج ارزیابی و مسیرهای آینده برای سنتز گفتار بیانی در کتاب‌های صوتی.

یک رویکرد نوین فرا‌آموزش (MAMLCon) که فراموشی فاجعه‌بار در یادگیری پیوسته با نمونه‌های کم برای طبقه‌بندی کلمات گفتاری را کاهش می‌دهد و از روش‌های موجود مانند OML عملکرد بهتری دارد.

تحلیل و چارچوبی برای ادغام کتاب‌های صوتی موبایلی (MABs) جهت توسعه مهارت‌های درک شنیداری در دانشجویان دانشگاهی زبان انگلیسی به عنوان زبان خارجی، شامل مزایا، انتخاب، اجرا و ارزیابی.

تحلیل و چارچوبی برای ادغام کتاب‌های صوتی موبایلی به منظور توسعه مهارت‌های درک شنیداری در دانشجویان دانشگاهی زبان انگلیسی به عنوان زبان خارجی، شامل مزایا، انتخاب، اجرا و ارزیابی.

تحلیل Movie101v2، یک مجموعه داده دوزبانه بزرگ برای روایت فیلم، شامل نقشه راه سه مرحله‌ای، ارزیابی‌های پایه و جهت‌های تحقیقاتی آینده.

تحقیقی در مورد چگونگی تأثیر موسیقی پس‌زمینه با و بدون کلام بر تشخیص کلمات گفتاری، با پیامدهایی برای محیط‌های اجتماعی و کارهای آینده.

یک ابزار نویسندگی تعاملی که با پیوند دادن روایت به انیمیشن‌های نمودار و ارائه جلوه‌های متحرک ساختارآگاه، ایجاد ویدئوهای داده‌ای متحرک را ساده می‌کند.

مقاله‌ای پژوهشی که وظیفه تولید خودکار روایت برای ویدیو را معرفی کرده، مجموعه‌داده‌ای جدید از پپا پیگ ارائه می‌دهد و مدل‌هایی برای زمان‌بندی و تولید محتوا پیشنهاد می‌کند.

تحلیل یک مدل محاسباتی که نقش ادراک آوایی را در پردازش کلمات غیربومی بررسی می‌کند و توضیحات سنتی واج‌شناختی را به چالش می‌کشد.

چارچوبی دو مرحله‌ای برای تعبیه واژگان گفتاری با اطلاعات آوایی و معنایی، که امکان بازیابی پیشرفته اسناد گفتاری فراتر از تطبیق ساده اصطلاحات را فراهم می‌کند.

پژوهشی در زمینه پیش‌بینی ویژگی‌های آهنگ گفتار (زیروبمی، بلندی، سرعت) از متن روایی با استفاده از پردازش زبان طبیعی و مدل‌های زبانی، به منظور بهبود تولید کتاب‌های صوتی.

مقاله‌ای پژوهشی که چگونگی استفاده از روایت صوتی نویزی به عنوان نظارت ضعیف برای آموزش مدل‌های تشخیص عمل را بررسی می‌کند و هزینه حاشیه‌نویسی را کاهش می‌دهد.

روشی zero-shot برای تولید کتاب‌های صوتی بی‌ان با استفاده از پرسوناهای چندوجهی گوینده و دستورات مبتنی بر LLM، حذف نیاز به آموزش پرهزینه و حاشیه‌نویسی دستی

تحلیل فنی MultiActor-Audiobook، یک سیستم نوین Zero-Shot برای تولید کتاب‌های صوتی بیانی با استفاده از پرسوناهای چندوجهی گوینده و دستورالعمل‌های مبتنی بر LLM.