في عالم تكنولوجيا الذكاء الاصطناعي، لا تزال عملية تقييم أنظمة تحويل النص إلى موسيقى (Text-to-Music أو TTM) تواجه تحديات كبيرة نتيجة لاعتمادها على تقييمات بشرية تتطلب الوقت والجهد. وعادة ما تعتمد تقييمات الموسيقى (Music Impression أو MI) وتوافق النص (Text Alignment أو TA) على تقييمات آراء البشر (Mean Opinion Scores أو MOS)، مما يجعل هذا التقييم مكلفًا ومعقدًا.

لتجاوز هذه العقبة، تم تقديم DeRA-MOS، وهو إطار عمل مبتكر يهدف إلى تحسين تقييم TTM من خلال استخدام تقنيات جديدة في تصنيف درجات الرتبة. حيث يقدم DeRA-MOS حلولًا فعالة من خلال التعامل مع مسألة التقييم بشكل منفصل من خلال فقدان تصنيف قائمة الوعي بالمجموعة، الذي يأخذ في الاعتبار الترتيب النسبي داخل كل مجموعة صغيرة، مما يعزز التوافق مع التقييم القائم على معامل ارتباط رتب سبيرمان (Spearman's Rank Correlation Coefficient أو SRCC).

علاوة على ذلك، يتضمن الإطار تقنية فقدان توافق المودالية المرتبطة بالدرجات، مما يضمن انسيابية التوافق بين النصوص والموسيقى مع ربط المؤشرات البشرية بتشابه الصوت والنص في الفضاء الخفي قبل الدمج.

من خلال معالجة تأثير عدم تطابق التدريب النقطة ونقل المودالية، أظهرت التجارب على MusicEval أن هذا الإطار المنفصل يحقق تحسينات كبيرة في مقاييس ترتيب MI وTA، ما يساهم في إرساء نموذج قوي لتقييم TTM على نطاق واسع.

كيف تعتقد أن هذه التقنية ستؤثر على المستقبل؟ شاركونا آراءكم في التعليقات.