表达性通信：评估生成模型与引导界面发展的通用框架
人机交互
2021-12-01 v1 机器学习
声音
音频与语音处理
摘要
机器学习和人机交互社区对通过更好的生成模型和更直观的控制界面来赋能创作者的兴趣日益浓厚。在音乐领域，机器学习研究人员专注于训练能够生成具有更长程结构和音乐连贯性的作品的模型，而人机交互研究人员则分别专注于设计支持用户控制和归属感的引导界面。在本研究中，我们通过一个通用框架研究了模型和用户界面两方面的发展对于赋能协同创作的重要性，其目标是创作能够传达特定意象或想法的音乐（例如，正如音乐创作中其他有目的的任务一样，如确立情绪或为其他媒体创作伴奏）。我们的研究独特之处在于，它通过作曲家的自我报告体验以及听众如何通过音乐评估这种传达来衡量通信效果。在一项有 26 位作曲家创作 100 多首音乐作品、听众提供 1000 多次直接比较的评估研究中，我们发现，更具表达性的模型和更可控的界面是让作曲家通过音乐进行交流并支持其创作赋能的重要且互补的途径。
引用
@article{arxiv.2111.14951,
title = {Expressive Communication: A Common Framework for Evaluating Developments in Generative Models and Steering Interfaces},
author = {Ryan Louie and Jesse Engel and Anna Huang},
journal= {arXiv preprint arXiv:2111.14951},
year = {2021}
}
备注
15 pages, 6 figures, submitted to ACM Intelligent User Interfaces 2022 Conference