MARC

 008260126s2025        us                              c    eng  d
■001000017358336
■00520260202104646
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291564370
■035    ▼a(MiAaPQ)AAI32114661
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a780
■1001  ▼aGeorgieva,  Elena-Theodora.
■24510▼aThe  Recorded  Voice:  Computational  Analysis  of  Trends  and  Expressions  in  Speech  and  Popular  Song
■260    ▼a[Sl]▼bNew  York  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a173  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  McFee,  Brian;Ripolles,  Pablo.
■5021  ▼aThesis  (Ph.D.)--New  York  University,  2025.
■520    ▼aThis  dissertation  uses  computational  methods  to  analyze  large  corpora  of  vocal  recordings,  examining  the  relationship  between  recording,  speech,  and  song.  It  begins  with  professionally  recorded  Popular  music,  examining  how  vocal  pitch  and  timing  have  changed  across  genres  and  decades.  Vocals  in  rap  music  stand  out  for  their  distinct  pitch  patterns  and  timing,  while  overall  pitch  variation  and  microtiming  deviation  have  decreased  over  time-suggesting  a  possible  decline  in  vocal  complexity,  at  least  in  this  dataset.The  focus  then  shifts  to  amateur  vocal  recordings,  both  sung  and  spoken,  captured  in  at-home  environments.  This  dissertation  introduces  a  new  listener-evaluated  dataset  of  4,300  ratings  of  karaoke  singing  and  audiobook  narration  recordings.  It  also  introduces  a  baseline  model  for  predicting  listener  ratings  of  recorded  voices  from  audio  alone.  Unsurprisingly,  objective  features  like  intelligibility  and  recording  quality  are  more  predictable  automatically.Building  on  this,  a  final  study  uses  the  CLAP  audio-text  model  to  identify  and  enhance  degraded  karaoke  and  audiobook  recordings,  comparing  its  recommendations  to  4,600  human  ratings  collected  for  this  research.  While  CLAP  effectively  detects  some  degradations,  discrepancies  with  listener  ratings  highlight  the  continued  value  of  human  evaluations.
■590    ▼aSchool  code:  0146.
■650  4▼aMusic
■650  4▼aComputer  science
■650  4▼aCognitive  psychology
■653    ▼aAudio  quality
■653    ▼aListener  evaluations
■653    ▼aPopular  music
■653    ▼aRecording
■653    ▼aVoice
■690    ▼a0413
■690    ▼a0984
■690    ▼a0633
■71020▼aNew  York  University▼bMusic  and  Performing  Arts  Professions.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0146
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358336▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서