Novel interfaces for audio manipulation
Notice bibliographique
Résumé
In this work we investigate two novel methods for multi-parametric control of audio in the context of sound design and music creation.Both systems aim to improve user experience by leveraging mapping strategies from control input to synthesis parameters, extracting additional value from conventional and ubiquitous tools.A first engine uses landmark mapping of facial features and manipulation of basic, built-in plugins to effectively emulate spatial audio mapping using only hardware built into a standard laptop.A pilot experiment (N=4) shows that the system improves source location identification in users by 15% over baseline.We also propose an assistive engine for sound design, which leverages a simple statistical model based on expert domain presets to guide users in controlling a subtractive synthesizer.In a user study (N=11) the engine is shown to significantly improve user performance in a sound matching task (t(10) = 3.38, p = 0.01), boosting user performance by 0.89 standard deviations within-participant.We explain its effectiveness in terms of cognitive apprenticeship theory, where the engine, in offering suggestions in reaction to user movement in a tight feedback loop, acts as a mentor that exposes sound Abstract ii design thinking, and keeps the user in the zone of proximal development by making the task not too difficult nor too obvious.Taken together, these experiments prove that mapping alone can meaningfully augment the affordances of existing control and synthesis paradigms.iii Abrg Dans ce mmoire, nous tudions deux nouvelles mthodes de contrle multi-paramtrique de l'audio dans le contexte du design sonore et de la cration musicale.Les deux systmes visent amliorer l'exprience utilisateur en exploitant des stratgies de mappage entre les entres de contrle et les paramtres de synthse, extrayant ainsi une valeur ajoute d'outils conventionnels et omniprsents.Un premier moteur utilise le mappage de points de repre des caractristiques faciales et la manipulation de plugins intgrs de base pour muler efficacement le mappage audio spatial en utilisant uniquement le matriel intgr dans un ordinateur portable standard.Une exprience pilote (N = 4) montre que le systme amliore l'identification de la localisation des sources chez les utilisateurs de 15% par rapport la rfrence.Nous proposons galement un moteur d'assistance pour le design sonore, qui exploite un modle statistique simple bas sur des presets d'experts du domaine pour guider les utilisateurs dans le contrle d'un synthtiseur soustractif.Dans une tude utilisateur (N = 11), il est dmontr que le moteur amliore significativement les performances des utilisateurs dans une tche de correspondance sonore (t(10) = 3.38, Abrg iv p = 0.01), augmentant les performances des utilisateurs de 0.89 carts-types au sein des participants.Nous expliquons son efficacit en termes de thorie de l'apprentissage cognitif, o le moteur, en offrant des suggestions en raction au mouvement de l'utilisateur dans une boucle de rtroaction serre, agit comme un mentor qui expose la rflexion de design sonore et maintient l'utilisateur dans la zone de dveloppement proximal en rendant la tche ni trop difficile ni trop vidente.Ensemble, ces expriences prouvent que le mappage seul peut augmenter de manire significative les affordances des paradigmes de contrle et de synthse.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».