Ashaar: Automatic Analysis and Generation of Arabic Poetry Using Deep Learning Approaches
King Fahd University of Petroleum and Minerals(法赫德国王石油与矿产大学)
本文提出 Ashaar 框架,整合阿拉伯诗歌数据集与预训练深度学习模型,支持格律、主题、时代分类、音标标注、Arudi 风格提取及条件式诗歌生成。
2023-07-12 cs.CL
Investigating Societal Biases in a Poetry Composition System
USC Information Sciences Institute(南加州大学信息科学研究所);Google Research(谷歌研究院)
有越来越多的工作分析和减轻社会偏见的语言理解,生成和检索任务,虽然检查偏见的创造性任务仍然没有得到充分的探索。创造性语言应用程序旨在与用户直接交互,因此量化和减轻这些应用程序中的社会偏见非常重要。我们介绍了一种新的研究管道,以减轻社会偏见时,检索下一节诗的建议,在诗歌创作系统。我们的研究结果表明,通过情感风格转移的数据增强具有减轻社会偏见的潜力。
2020-11-05 cs.CL
Identifying the style by a qualified reader on a short fragment of generated poetry
School of Linguistics(语言学院);HSE University(高等经济大学);Institute of Russian Literature (Pushkin House)(俄罗斯文学研究所(普希金之家));Russian Academy of Sciences(俄罗斯科学院)
本文用3个字符级LSTM生成俄语诗人风格诗歌,并由文学史学生在短片段上识别作者,发现能背诵诗人作品的评估者准确率更高,且模型宏平均准确率至少达0.7。
2023-06-05 cs.AI cs.CL cs.LG
Does ChatGPT Have a Poetic Style?
University of Washington(华盛顿大学)
本研究通过让GPT-3.5和GPT-4生成多形式多主题的英文诗歌并与人类诗歌对比,发现其虽能生成符合表层形式要求的诗歌,但存在明显同质化风格倾向,约束性强于人类诗歌。
2024-10-30 cs.CL
Capabilities and Evaluation Biases of Large Language Models in Classical Chinese Poetry Generation: A Case Study on Tang Poetry
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心);University of Maryland, College Park(马里兰大学College Park分校)
本文通过三步评估框架,分析了六个先进LLM在唐诗生成中的表现,揭示了LLM在模仿统计模式时对机器生成诗歌的系统性高估问题,强调了需要混合人类-模型验证框架的重要性。
2026-04-23 cs.CL
Neural Poetry: Learning to Generate Poems using Syllables
University of Florence(佛罗伦萨大学);University of Siena(锡耶纳大学)
基于机器学习的艺术风格学习模型的最新进展,本文主要研究诗歌生成问题。这是一项具有挑战性的任务,机器必须捕捉强烈表征某位诗人的语言特征,以及诗人作品的语义,这些特征受到他的个人经历和文学背景的影响。由于诗歌是使用音节,规范的形式和结构的诗歌,我们提出了一个基于音节的神经语言模型,我们描述了一个诗歌生成机制,是围绕诗人的风格,自动选择最具代表性的代。目标作者的诗歌作品通常不足以成功训练现代深度神经网络,因此我们提出了一个多阶段的过程,利用同一作者的非诗歌作品,以及其他公开可用的大型语料库来学习目标语言的语法和语法。意大利诗人但丁·阿利吉耶里(Dante Alighieri),因其《神曲》而闻名。生成的tercets的定量和定性的实验分析报告,在那里我们包括人文研究背景较强的专家法官。生成的三句诗通常被一般的评判者认为是真实的,与但丁真实作品的相对差异为56.25%,专家评判者在生成的文本中感知到但丁的风格和押韵。
2019-09-24 cs.CL
Evaluating Diversity in Automatic Poetry Generation
University of Mannheim(曼海姆大学);University of Technology Nuremberg (UTN)(纽伦堡工业大学(UTN));Bielefeld University(比勒费尔德大学)
本研究评估自动诗歌生成(四行诗)的多样性,比较生成与人类诗歌在结构、词汇、语义和文体上的分布,发现现有系统多样性不足,而文体条件化和字符级建模能显著提升多样性。
2024-11-08 cs.CL
Exploratory Data Analysis of Urdu Poetry
Khalifa University(哈利法大学);UAE University(阿联酋大学)
这里提出的研究提供了数字洞察ghazal -乌尔都语诗歌中最受赞赏的体裁。这项研究使用了800年来4,754位诗人的48,761首诗歌作品,探讨了乌尔都语加扎勒的主要特征,使其比其他形式更受欢迎和钦佩。一个详细的解释提供了用于表达爱情,自然,鸟类和花卉等的词的类型也被认为是诗人在他们的诗歌中解决他们所爱的人的方式。诗歌的风格进行了数值分析,使用多维标度,以揭示词汇的多样性和不同的诗歌作品之间的异同,引起了评论家的注意,如伊克巴尔和Ghalib,米尔Taqi米尔和米尔达尔德。这里产生的分析是特别有帮助的计算文体学,神经认知诗学,和情感分析的研究。
2021-12-03 cs.CL
Can Machine Generate Traditional Chinese Poetry? A Feigenbaum Test
Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学);Huilan Limited(汇兰有限公司);Tsinghua National Lab for Information Science and Technology(清华大学信息科学技术国家实验室)
神经学习的最新进展表明,机器可以很好地完成规则化的任务,例如,围棋游戏然而,诗歌创作等艺术活动仍然被普遍认为是人类的特殊能力。在本文中,我们证明了一个简单的神经模型可以模仿人类的艺术生成的一些任务。我们特别关注中国传统诗歌,并表明机器可以做得和许多当代诗人一样好,并且可以通过费根鲍姆测试,这是图灵测试在专业领域的变体。我们的方法是基于一个基于注意力的递归神经网络,它接受一组关键字作为主题,并通过在生成过程中查看每个关键字来生成诗歌。提出了一系列的技术来改进模型,包括字符向量初始化,注意输入和混合式训练。与现有的诗歌生成方法相比,我们的模型可以生成更多的主题一致和语义丰富的诗歌。
2016-06-19 cs.CL
Metre as a stylometric feature in Latin hexameter poetry
本文论证了格律是古典拉丁六步格诗中作者风格的一个特殊指示器。仅使用度量特征,使用四种不同的机器学习模型在5位第一世纪的作者(10次比较)之间进行成对分类实验。结果表明,两个标签分类的准确率至少为95%,样本小至10行,不超过80行(最多约500个单词)。这些样本量比BOW(“词袋”)或n-gram方法通常推荐的样本量小一个数量级,并且报告的准确性非常出色。此外,本文探讨了潜在的新奇(伪造)检测,或“一类分类”。有争议的Aldine Additamentum(Sil。意大利普尼8:144-225)的结论(p=0.0013),格律风格显着不同于其余的诗。
2019-12-02 cs.CL cs.LG stat.AP
LLM-based multi-agent poetry generation in non-cooperative environments
School of Business Informatics and Mathematics(商业信息学与数学学院);University of Mannheim(曼海姆大学)
本文提出融合合作与非合作互动的 LLM 多智能体社会学习框架,用于诗歌生成;实验显示其可提升 GPT-2 的多样性、新颖性及群体分化,并改善异质提示模型集合。
2024-09-06 cs.CL
Chinese Poetry Generation with a Salient-Clue Mechanism
Tsinghua University(清华大学);ESTATES PTE LTD(6ESTATES私人有限公司);Capital Normal University(首都师范大学)
中国诗歌作为人类文化遗产的宝贵组成部分,影响了一代又一代人。自动写诗对AI来说是一个挑战。近年来,得益于神经网络的发展,这一领域取得了重大进展。然而,作为一个整体,一首生成的诗歌在意义、主题甚至意境上的连贯性仍然是一个大问题。在本文中,我们提出了一个新的显着线索机制,中文诗歌生成。不同于以往的工作,试图利用所有的上下文信息,我们的模型自动选择最显着的字符从每一个迄今为止生成的行,逐步形成一个显着的线索,这是用来指导后续的诗歌生成过程,以消除中断,提高连贯性。此外,我们的模型可以灵活地扩展,以控制生成的诗歌在不同的方面,如诗歌风格,这进一步提高了连贯性。实验结果表明,我们的模型是非常有效的,优于三个强基线。
2018-09-12 cs.AI cs.CL
Instruction-Guided Poetry Generation in Arabic and Its Dialects
Mohamed bin Zayed University of Artificial Intelligence(Mohamed bin Zayed人工智能大学)
本文提出基于指令的阿拉伯语诗歌生成方法,通过构建大规模指令数据集,实现诗歌创作、修改和延续,并通过实验验证模型生成诗歌的能力。
2026-04-30 cs.AI cs.CL
Generation of Chinese classical poetry based on pre-trained model
为了检验人工智能能否像人类一样创作出合格的古典诗词,作者提出了一种基于预训练模型的中国古典诗词生成研究。本文主要尝试使用BART等预训练模型,提出FS2TEXT和RR2TEXT生成格律诗文本乃至特定风格诗文本,解决用户写作意图逐渐降低生成诗文本相关性的问题。为了检验模型的结果,作者选取了古代诗人,将其与BART的诗歌模型工作相结合,开发了一套AI诗歌图灵问题,并由一批诗人和诗歌写作研究者进行了评审。参与者超过600人,最终结果显示,高水平的诗歌爱好者无法区分AI活动和人类活动,这表明作者的工作方法与人类活动没有显著差异。作者所研究的诗歌生成模式,概括了无法与先进学者区分的作品。中国现代诗人的人数已达500万。然而,许多中国现代诗人由于童年的学习而缺乏语言能力和技巧。然而,许多现代诗人没有创作灵感,作者的模式可以帮助他们。当他们选择单词和短语的时候,他们可以看这个模型,他们可以根据他们已有的诗歌创作作品,他们可以写自己的诗歌。诗歌的重要性在于作者的思想和思考。不管AI诗歌有多好。唯一重要的是让人们看到并激励他们。
2022-11-04 cs.AI cs.CL
Introducing Aspects of Creativity in Automatic Poetry Generation
Drury University(杜鲁里大学);UC-Colorado Springs(科罗拉多斯普林斯大学)
诗歌生成涉及教学系统自动生成类似诗歌作品的文本。深度学习系统可以通过在诗歌语料库上进行训练并对特定的语言风格进行建模来学习自己生成诗歌。在本文中,我们提出了一种方法,微调GPT-2,一个预先训练的语言模型,我们的下游任务的诗歌生成。我们通过引入创造性的元素来扩展先前关于诗歌生成的工作。具体地说,我们创作出表达情感并在读者中引起共鸣的诗歌,以及使用梦的语言的诗歌-被称为梦诗。我们能够创作出正确地引出悲伤和喜悦情绪的诗歌,分别占87.5%和85%。我们通过训练描述梦的文本语料库来产生梦幻般的诗歌。从这个模型的诗歌被证明捕捉梦想的诗歌的元素,得分不低于3.2的李克特量表。我们对所有的诗歌进行众包的人工评估。我们还使用Coh-Meetings工具,概述了我们用来衡量生成的文本质量的指标。
2020-02-06 cs.AI cs.CL cs.LG
A pattern recognition approach for distinguishing between prose and poetry
ISI Foundation(ISI基金会);University of São Paulo(圣保罗大学);Indiana University(印第安纳大学)
诗歌和散文是书面的艺术表达,帮助我们欣赏我们生活的现实。这些风格中的每一种都有自己的一套主观属性,例如押韵和节奏,这很容易被人类读者的眼睛和耳朵抓住。随着人工智能的最新进展,人类和机器之间的差距可能已经缩小,今天我们观察到算法掌握了曾经由人类专门执行的任务。在本文中,我们提出了一个自动化的方法来区分诗歌和散文的基础上听觉和节奏特性。在其他比较散文和诗歌的节奏,我们表示的押韵和语音的时间序列,因此,我们提出了一个程序,从这些序列中提取的节奏特征。所考虑的文本使用的一组提取的特征的分类导致最好的准确度为0.78,获得了一个神经网络。有趣的是,通过使用一种基于复杂网络的方法来可视化所考虑的不同文本之间的相似性,我们发现诗歌的模式比散文的差异更大。因此,一个更丰富和复杂的节奏的可能性往往是在该模态中找到。
2021-07-18 cs.CL cs.SI
Shaer: Controlled Arabic Poetry Generation with Meter Subform and Semantic Conditioning
American University of Beirut(贝鲁特美国大学)
Shaer提出受控古典阿拉伯诗歌生成框架,联合语义、格律子形式和长度条件,基于增强语料微调Yehia-7B,显著提升格律与长度控制精度。
2026-10-08 cs.CL
Flexible and Creative Chinese Poetry Generation Using Neural Memory
Tsinghua University(清华大学);Peking University(北京大学);Huilan Limited(慧联(北京)有限公司);Beijing University of Posts and Telecommunications(北京邮电大学)
研究表明,序列到序列神经模型可以成功地生成中文诗歌,特别是在注意力机制的作用下。然而,这种方法的一个潜在问题是,神经模型只能学习抽象的规则,而诗歌生成是一个高度创造性的过程,不仅涉及规则,还涉及纯统计模型原则上不适用的创新。本文提出了一种用于中文诗歌生成的记忆增强神经模型,其中神经模型和增强记忆一起工作,以平衡语言一致性和美学创新的要求,从而产生仍然符合规则的创新一代。此外,还发现记忆机制提供了有趣的灵活性,可用于生成不同风格的诗歌。
2017-05-10 cs.AI cs.CL
Creating a digital poet
Department of Jewish Literature, Bar-Ilan University(巴伊兰大学犹太文学系);Department of Communication, Reichman University(雷赫曼大学传播系);Faculty of Engineering, Bar-Ilan University(巴伊兰大学工程学院)
通过迭代专家反馈,大语言模型在无需重新训练的情况下发展出独特风格,成功创作诗歌集并引发对创造性和作者权的讨论。
2026-02-18 cs.AI cs.CL
Smells like Teen Spirit: An Exploration of Sensorial Style in Literary Genres
University of Iowa(爱荷华大学)
通过心理学、神经科学和感觉语言学的大量研究,人们已经充分认识到感官知觉和语言是相互联系的。在这样丰富的语境中,我们要问,感觉语言在写作中的使用是否是语言风格的一部分?从文体计量学研究的角度来看,这个问题很重要,因为文体计量学研究已经探索了丰富的语言特征,但对与感官语言相关的特征关注不够。以此为目标,我们从几个角度探讨了词、小说、诗集中的感觉语言和感觉风格。例如,我们发现,个人使用感官语言并不是一种随机现象,很可能涉及到选择。此外,感觉风格通常是稳定的,随着时间的推移-变化是非常小的。此外,风格可以从仅仅几百个含有感官术语的句子中提取出来。我们还确定了每种类型中的代表性和独特性。例如,我们观察到小说集中前6个代表性特征中的4个涉及使用嗅觉语言的个体,而我们期望他们使用非嗅觉语言。
2022-09-26 cs.CL
SP-GPT2: Semantics Improvement in Vietnamese Poetry Generation
National Economics University(国民经济大学);The University of Tokyo(东京大学);Hanoi University of Science and Technology(河内科技大学)
近年来,自动文本生成作为计算机创造力的重要一步越来越受到关注。生成式预训练Transformer 2(GPT 2)是最先进的方法之一,取得了很大的成功。在本文中,我们采取了第一步,以调查GPT 2在越南传统诗歌生成的力量。在早期,我们使用基本GPT 2的实验在正确的模板中生成诗歌方面做得很好。虽然它可以从训练数据中学习模式,包括押韵和音调规则,但与几乎所有其他文本生成方法一样,生成的诗歌仍然存在主题漂移和语义不一致。为了提高诗歌内部的衔接,我们提出了一个新的模型SP-GPT 2(语义诗GPT 2),它是建立在顶部的GPT 2模型和一个额外的损失,以约束整个诗歌的上下文。为了更好的评价,我们研究了自动定量评价和人工评价的方法。自动和人工评估都表明,我们的方法可以生成具有更好的内聚性的诗歌,而不会由于额外的损失而失去质量。同时,我们也是这一课题的先行者。我们发布了第一个计算评分模块,用于在包含风格规则字典的模板中生成的诗歌。此外,我们还率先发布了Luc-Bat数据集,其中包括87609首Luc Bat诗歌,相当于约260万个句子,另外还发布了约83579首其他风格的诗歌,以供进一步探索。代码可在https://github.com/fsoft-ailab/Poem-Generator上获得
2021-10-10 cs.AI cs.CL cs.LG
(Not) Understanding Latin Poetic Style with Deep Learning
Institute of Polish Language, Polish Academy of Sciences (IJP PAN)(波兰科学院波兰语言研究所)
研究用LSTM与CNN分析含声音、格律特征的拉丁诗歌以识别作者风格,发现分类准确但注意力推理难解释,并指出CNN、可训练嵌入及防过拟合技术更优。
2024-04-09 cs.CL
Factor-Conditioned Speaking-Style Captioning
NTT Corporation(NTT公司)
提出因子条件化描述(FCC)和先贪婪后采样(GtS)解码方法,通过先预测风格因子再生成描述,解决传统描述中语法词干扰学习的问题,在保持风格预测性能的同时生成更多样化的说话风格描述。
2024-06-27 cs.CL cs.SD eess.AS
Interpreting Style Representations via Style-Eliciting Prompts
University of Michigan(密歇根大学)
提出一种通过风格诱导提示解释风格表示的新框架,利用大型语言模型生成自然语言描述,并在风格描述和模仿任务中优于直接提示的基线方法。
2026-06-04 cs.CL
Controlling Linguistic Style Aspects in Neural Language Generation
Bar-Ilan University(巴伊兰大学)
神经自然语言生成(NNLG)的大部分工作都集中在控制生成文本的内容上。我们尝试控制生成的文本的几个风格方面,除了它的内容。该方法基于条件RNN语言模型,其中所需的内容以及风格参数作为条件上下文。我们展示了电影评论域的方法,并表明它是成功的生成连贯的句子对应所需的语言风格和内容。
2017-07-09 cs.CL
Vietnamese Poem Generation & The Prospect Of Cross-Language Poem-To-Poem Translation
FPT University(FPT大学)
本文提出使用大型语言模型根据自然语言提示生成多种体裁的越南语诗歌,GPT-3 Babbage变体在“luc bat”体裁评估中得分0.8,并探索了诗歌改写为文本提示的方法,为跨语言诗对诗翻译提供了潜力。
2024-01-04 cs.AI cs.CL
Quasi Error-free Text Classification and Authorship Recognition in a large Corpus of English Literature based on a Novel Feature Set
Freie Universität Berlin(柏林自由大学);Center for Cognitive Neuroscience (CCNB), Freie Universität Berlin(柏林自由大学认知神经科学中心);Learning Psychology, Freie Universität Berlin(柏林自由大学学习心理学系)
古腾堡文学英语语料库(GLEC)为数字人文学、计算语言学或神经认知诗学的研究提供了丰富的文本数据源。然而,到目前为止,只有一个小的子语料库,古腾堡英语诗歌语料库,已提交给定量文本分析提供预测的科学研究的文学。在这里,我们表明,在整个GLEC准无错误的文本分类和作者身份识别是可能的方法,使用相同的一组五个风格和五个内容特征,计算通过风格和情感分析,在这两个任务。我们的结果确定了两个标准和两个新的功能(即,类型-标记比率、频率、响亮度评分、惊讶)在这些任务中是最具诊断性的。通过提供一个简单的工具,适用于短诗和长篇小说产生的定量预测功能,共同决定特定文本类别或作者的认知和情感处理,我们的数据铺平了道路,许多未来的计算和实证研究的文学或实验在阅读心理学。
2020-10-21 cs.CL
ChatGPT-generated texts show authorship traits that identify them as non-human
Università degli Studi di Pavia(帕维亚大学);University of Birmingham(伯明翰大学);Universitat Autònoma de Barcelona(巴塞罗那自治大学);Institució Catalana de Recerca i Estudis Avançats (ICREA)(加泰罗尼亚高等研究院)
本文通过文体计量与语域分析发现,ChatGPT 虽能根据提示调整写作风格,但在不同语域中变化有限且偏好名词而非动词,形成可识别的非人类语言指纹。
2025-08-22 cs.CL
Capability Conditioned Scaffolding for Professional Human LLM Collaboration
University College London(伦敦大学学院);Fudan University(复旦大学)
本文提出能力条件支架框架,通过划分强、混合和弱领域,基于结构化能力档案调节干预行为,提升专业人类与AI协作的可靠性。
2026-05-14 cs.CL
Prior Attention for Style-aware Sequence-to-Sequence Models
Ghent University(根特大学);imec(imec校际微电子中心)
我们扩展序列到序列模型的可能性,以控制所生成的输出的特性或风格,通过注意力,这是从一个潜在的代码向量的先验(解码前)。在训练了初始的基于注意力的序列到序列模型之后,我们使用基于输入序列的表示和潜在代码向量空间的变分自动编码器来生成注意力矩阵。通过在解码期间从该潜在空间的特定区域采样代码向量,并在seq 2seq模型中施加由其生成的先前注意力,可以将输出转向具有某些属性。这是证明了句子简化的任务,其中的潜在代码向量允许控制输出长度和词汇简化,并使微调,以优化不同的评估指标。
2018-06-25 cs.CL
Capturing Classic Authorial Style in Long-Form Story Generation with GRPO Fine-Tuning
School of Computer Science, University of Birmingham, United Kingdom(英国伯明翰大学计算机科学学院)
本文提出两阶段流程,通过GRPO微调8B故事生成器,实现基于风格的可控生成,优于开放模型基线。
2026-04-21 cs.CL
On Text Style Transfer via Style Masked Language Models
Indian Institute of Technology Hyderabad(印度理工学院海得拉巴分校)
文本风格转换(TST)可以通过潜在空间解纠缠、循环一致性损失、原型编辑等方法来实现。原型编辑方法在文本风格转换中非常成功,包括两个关键阶段:a)掩蔽源风格相关标记; b)重构以目标风格为条件的源风格掩蔽句。我们遵循类似的转换方法,其中我们将更困难的直接源到目标TST任务转置为更简单的风格掩蔽语言模型(SMLM)任务,其中,类似于BERT \cite{bert},我们的模型的目标现在是从其风格掩蔽版本重建源句子。我们自然地到达SMLM机制制定原型编辑/转换方法在概率框架中,TST解析到估计一个假设的并行数据集从部分观察到的并行数据集,其中每个域被假定为具有一个共同的潜在的风格掩盖之前。为了生成这种风格掩蔽先验,我们使用“可解释的注意力”作为我们选择的属性,以进行更精确的风格掩蔽步骤,并引入了一种具有成本效益和准确的“归因剩余”方法,该方法可以在O(1)时间内从任何任意属性模型中确定掩码的位置。我们的经验表明,这种非世代的方法以及套房的“内容保存”的标准,如TST的任务,即使是一个复杂的风格,如话语操纵。我们的模型,风格传销,优于强大的TST基线,并与最先进的TST模型,使用复杂的架构和更多的参数顺序。
2022-10-12 cs.CL
SCAR: Sparse Conditioned Autoencoders for Concept Detection and Steering in LLMs
TU Darmstadt(达姆施塔特工业大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);Aleph Alpha
本文提出稀疏条件自编码器 SCAR,作为单一扩展模块在生成前检测并双向引导 LLM 的毒性、安全性和写作风格等概念,在保持基准生成质量的同时实现安全可控部署。
2024-12-05 cs.CL
RephraseTTS: Dynamic Length Text based Speech Insertion with Speaker Style Transfer
针对文本条件语音插入任务,提出基于Transformer的非自回归方法RephraseTTS,可动态确定可变长度插入语音并保持说话人风格,在LibriTTS上优于基线方法。
2025-08-23 cs.CL cs.SD
Generating similes effortlessly like a Pro: A Style Transfer Approach for Simile Generation
Information Sciences Institute, University of Southern California(南加州大学信息科学研究所);Columbia University(哥伦比亚大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
文学比喻,从诗歌到故事,是人类想象和交流的关键。比喻性的语言,如一个比喻,超越了简单的表达,给读者新的见解和灵感。在本文中,我们解决的问题,产生的。生成一个概念需要正确理解两个概念之间的属性的有效映射。为此,我们首先提出了一种方法来自动构建一个平行的语料库,通过转换大量的明喻从Reddit收集到他们的字面对应使用结构化的常识知识。然后,我们建议微调一个预先训练的序列到序列模型,BART~ \cite{lewis2019bart},对字面量-语义对获得泛化能力,这样我们就可以生成新的明喻给定一个字面量的句子。实验表明,我们的方法产生$88\%$新的明喻,不共享属性的训练数据。一独立集的文字语句的人类评价表明,我们的模型生成的明喻优于两个文学专家\textit{37\%} \footnote{We average 32.6\% and 41.3\% for 2 humans.}的时代,和三个基线系统,包括最近的隐喻生成模型\textit{71\%} \footnote{We average 82\% ,63\% and 68\% for three baselines.}的时代,当成对比较。\footnote{The simile in the title is generated by our best model. Input: Generating similes effortl…
2020-10-03 cs.CL cs.LG
ELSA: A Style Aligned Dataset for Emotionally Intelligent Language Generation
Joyspace AI
本文提出ELSA数据集,通过细粒度情感分类与多种语境风格重写原始句子,并利用大语言模型生成情感细微变化文本,以支持情感条件风格自适应文本生成研究。
2025-04-11 cs.AI cs.CL cs.LG
Generating lyrics with variational autoencoder and multi-modal artist embeddings
University of Waterloo(滑铁卢大学)
我们提出了一个系统,用于生成一个指定的艺术家的风格为条件的歌词线。该系统使用一个变分自编码器与艺术家嵌入。我们提出了艺术家嵌入的预训练与CNN分类器学习的表示,该分类器被训练为基于他们的歌曲剪辑的MEL频谱图来预测艺术家。这项工作是第一步,结合音频和文本形式的歌曲生成歌词的艺术家的风格。我们的初步结果表明,有一个好处,在初始化艺术家的嵌入与表示学习的声谱图分类。
2018-12-20 cs.CL cs.SD eess.AS
Reason in Style: Discovering and Controlling Style in Language Models
NYU(纽约大学);NYU Langone Health(纽约大学朗格尼医学中心)
本研究提出一种无监督算法,从语言模型输出中分离内容与风格,发现九种教师模型中的六种风格,通过重要性加权微调学生模型,在六个数学推理基准上提升Pass@k,实现风格控制并改善推理性能。
2026-10-02 cs.CL cs.LG
No-Worse Context-Aware Decoding: Preventing Neutral Regression in Context-Conditioned Generation
Department of Computer Science, Portland State University, USA(波特兰州立大学计算机科学系)
本文提出NWCAD解码器,通过双流架构和双阶段门控机制,防止中性退化并提升上下文利用的可靠性。
2026-04-17 cs.AI cs.CL
Word-Level Style Control for Expressive, Non-attentive Speech Synthesis
Innoetics, Samsung Electronics(Innoetics,三星电子);Samsung Electronics(三星电子)
本文提出了一种表达语音合成架构,用于在单词级别上建模和控制说话风格。它试图学习词级的风格和韵律表示的语音数据,与两个编码器的帮助。第一个模型通过为每个单词找到给定声学特征的风格标记的组合来建模风格,第二个模型输出仅以语音信息为条件的单词级序列,以便将其与风格信息分离。两个编码器输出与音素编码器输出对齐并连接,然后用非注意Tacotron模型解码。一个额外的先验编码器用于自回归地预测风格标记,以便模型能够在没有参考话语的情况下运行。我们发现,由此产生的模型,使两个字的水平和全球控制的风格,以及韵律传输能力。
2021-11-19 cs.CL cs.LG cs.SD
An Empirical Study of Speech Language Models for Prompt-Conditioned Speech Synthesis
Carnegie Mellon University(卡内基梅隆大学);Meta AI;The Chinese University of Hong Kong(香港中文大学)
本研究实证分析了自回归与非自回归语音语言模型在提示条件语音合成中的表现,发现异质非平稳提示会损害音频质量,且说话者风格受内容影响,语义单元携带声学信息可能泄露。
2024-03-19 cs.CL cs.SD eess.AS
PersonaDrive: Human-Style Retrieval-Augmented VLA Agents for Closed-Loop Driving Simulation
University of California, Irvine(加利福尼亚大学尔湾分校)
提出PersonaDrive流水线,通过检索风格指令下的人类驾驶演示来调节视觉-语言-动作(VLA)驾驶智能体,实现闭环模拟中多样化的非自车智能体行为,无需针对每种风格重新训练。
2026-11-10 cs.AI cs.CL