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.

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 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 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.

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.

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 ادغام کتاب‌های صوتی موبایلی برای توسعه مهارت‌های درک شنیداری در دانشجویان دانشگاهی زبان انگلیسی به عنوان زبان خارجی، شامل مزایا، معیارهای انتخاب، مراحل آموزشی 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.

این مقاله وظیفه جدید تولید روایت برای ویدیوها را معرفی میکند، یک مجموعه داده 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 در ویدیو را بررسی می‌کند تا هزینه‌های حاشیه‌نویسی کاهش یابد و در عین حال از ویژگی‌های چندوجهی استفاده شود.

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.