शोधकर्ताओं ने DramaSR-LRM पेश किया है, जो लंबे फॉर्म के टीवी नाटकों में वक्ता की पहचान के लिए एक मजबूत दृष्टिकोण है जो बड़े तर्क मॉडल (LRM) का लाभ उठाकर बोले गए utterances को पात्रों के साथ सटीक रूप से संबद्ध करता है। इस कार्य में DramaSR-532K भी प्रस्तुत किया गया है, जो 900 से अधिक अद्वितीय पात्रों पर 532K टिप्पणीयुक्त संवाद पंक्तियों से बना एक नया benchmark है।
- DramaSR-LRM बहुआयामी उपकरण-उपयोग के माध्यम से संदर्भ प्रमाण को स्वतंत्र रूप से संचित करता है, उच्च-फिडेलिटी संबद्धता प्राप्त करने के लिए श्रव्य, भाषाई और दृश्य संकेतों का संश्लेषण करता है।
- मॉडल मौजूदा बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करता है, विशेष रूप से छोटे utterances पर जहां ध्वनिजैविक (acoustic biometrics) स्वभाव से अविश्वसनीय होते हैं।
- साथ दिया गया DramaSR-532K benchmark जटिल कथानक के निरसन में विविध इनपुट को एकीकृत करने के लिए आवश्यक एक बड़े पैमाने पर डेटासेट प्रदान करता है।
यह दृष्टिकोण जटिल कथानकों और सीमित ध्वनि डेटा वाले परिदृश्यों में वक्ता की पहचान की सटीकता को बढ़ाकर व्यापक वीडियो समझ की चुनौती को संबोधित करता है।