論文の概要: A Review of Intelligent Music Generation Systems
- arxiv url: http://arxiv.org/abs/2211.09124v1
- Date: Wed, 16 Nov 2022 13:43:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 17:12:46.172076
- Title: A Review of Intelligent Music Generation Systems
- Title（参考訳）: インテリジェント音楽生成システムの現状と展望
- Authors: Ziyi Zhao, Hanwei Liu, Song Li, Junwei Pang, Maoqing Zhang, Yi Qin,
Lei Wang, Qidi Wu
- Abstract要約: 過去5年間で、アルゴリズムに基づく自動音楽生成の品質は大幅に向上した。
本稿では,近年のインテリジェント音楽生成技術に関する総合的な調査と分析を行う。
まず、まず、情報のストリームとしての音楽と関連するデータセットをエンコードし、異なる種類の生成アルゴリズムを比較し、その強みと弱みを要約し、既存の評価方法について議論する。
- 参考スコア（独自算出の注目度）: 9.407358795888857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent music generation, one of the most popular subfields of computer
creativity, can lower the creative threshold for non-specialists and increase
the efficiency of music creation. In the last five years, the quality of
algorithm-based automatic music generation has increased significantly,
motivated by the use of modern generative algorithms to learn the patterns
implicit within a piece of music based on rule constraints or a musical corpus,
thus generating music samples in various styles. Some of the available
literature reviews lack a systematic benchmark of generative models and are
traditional and conservative in their perspective, resulting in a vision of the
future development of the field that is not deeply integrated with the current
rapid scientific progress. In this paper, we conduct a comprehensive survey and
analysis of recent intelligent music generation techniques,provide a critical
discussion, explicitly identify their respective characteristics, and present
them in a general table. We first introduce how music as a stream of
information is encoded and the relevant datasets, then compare different types
of generation algorithms, summarize their strengths and weaknesses, and discuss
existing methods for evaluation. Finally, the development of artificial
intelligence in composition is studied, especially by comparing the different
characteristics of music generation techniques in the East and West and
analyzing the development prospects in this field.
- Abstract（参考訳）: 知的な音楽生成は、コンピュータ創造の最も人気のあるサブフィールドの1つであり、非特殊主義者の創造的閾値を下げ、音楽創造の効率を高める。
過去5年間で、ルール制約や音楽コーパスに基づいて、音楽内の暗黙のパターンを学習するために現代の生成アルゴリズムを使用することによって、アルゴリズムに基づく自動音楽生成の品質が大幅に向上し、様々なスタイルの音楽サンプルを生成するようになった。
利用可能な文献レビューのいくつかは、生成モデルの体系的なベンチマークを欠き、その観点では伝統的かつ保守的であり、現在の急速な科学的進歩と深く統合されていない分野の将来的な発展のビジョンをもたらす。
本稿では,近年のインテリジェント音楽生成技術に関する包括的調査と分析を行い,批判的な議論を行い,それぞれの特性を明確に把握し,一般的な表に示す。
まず、まず、情報のストリームとしての音楽と関連するデータセットをエンコードし、異なる種類の生成アルゴリズムを比較し、その強みと弱みを要約し、既存の評価方法について議論する。
最後に、作曲における人工知能の開発について、特に東西の音楽生成技術の異なる特徴を比較し、この分野の発展の展望を分析して考察する。
関連論文リスト
- Applications and Advances of Artificial Intelligence in Music Generation:A Review [0.04551615447454769]
本稿では,AI音楽生成における最新の研究成果を体系的にレビューする。
主要な技術、モデル、データセット、評価方法、および様々な分野におけるそれらの実践的応用をカバーしている。
論文 参考訳（メタデータ） (2024-09-03T13:50:55Z) - Foundation Models for Music: A Survey [77.77088584651268]
ファンデーションモデル(FM)は音楽を含む様々な分野に大きな影響を与えている。
本総説では,音楽の事前学習モデルと基礎モデルについて概観する。
論文 参考訳（メタデータ） (2024-08-26T15:13:14Z) - Automatic Time Signature Determination for New Scores Using Lyrics for
Latent Rhythmic Structure [0.0]
本稿では,歌詞のみを入力として使用する新しいアプローチを提案する。
本稿では, 実験結果から, 受信器動作特性(ROC)の97.6%のF1スコアと0.996のAUC(Area Under the Curve)スコアが得られた。
論文 参考訳（メタデータ） (2023-11-27T01:44:02Z) - MARBLE: Music Audio Representation Benchmark for Universal Evaluation [79.25065218663458]
我々は,UniversaL Evaluation(MARBLE)のための音楽音響表現ベンチマークを紹介する。
音響、パフォーマンス、スコア、ハイレベルな記述を含む4つの階層レベルを持つ包括的分類を定義することで、様々な音楽情報検索(MIR)タスクのベンチマークを提供することを目的としている。
次に、8つの公開データセット上の14のタスクに基づいて統一されたプロトコルを構築し、ベースラインとして音楽録音で開発されたすべてのオープンソース事前学習モデルの表現を公平かつ標準的に評価する。
論文 参考訳（メタデータ） (2023-06-18T12:56:46Z) - ERNIE-Music: Text-to-Waveform Music Generation with Diffusion Models [67.66825818489406]
本稿では拡散モデルの利用を基盤としたテキストから波形への音楽生成モデルを提案する。
本手法は,波形生成プロセスの指針となる条件因子として,自由形式のテキストプロンプトの革新的導入を前提としている。
波形領域における我々の生成した音楽は、多様性、品質、およびテキスト音楽の関連性において、以前の作品よりも大きなマージンで優れていたことを実証する。
論文 参考訳（メタデータ） (2023-02-09T06:27:09Z) - A Survey on Retrieval-Augmented Text Generation [53.04991859796971]
Retrieval-augmented text generationは顕著な利点があり、多くのNLPタスクで最先端のパフォーマンスを実現している。
まず、検索拡張生成の一般的なパラダイムを強調し、異なるタスクに応じて注目すべきアプローチをレビューする。
論文 参考訳（メタデータ） (2022-02-02T16:18:41Z) - Sequence Generation using Deep Recurrent Networks and Embeddings: A
study case in music [69.2737664640826]
本稿では,異なる種類の記憶機構(メモリセル)について評価し,音楽合成分野におけるその性能について検討する。
提案したアーキテクチャの性能を自動評価するために,定量的な測定値のセットが提示される。
論文 参考訳（メタデータ） (2020-12-02T14:19:19Z) - A Comprehensive Survey on Deep Music Generation: Multi-level
Representations, Algorithms, Evaluations, and Future Directions [10.179835761549471]
本稿では,深層学習を用いた音楽生成レベルの違いによる様々な作曲課題の概要について述べる。
さらに,多様なタスクに適したデータセットを要約し,音楽表現,評価方法,および異なるレベルの課題について考察し,最後にいくつかの今後の方向性を指摘する。
論文 参考訳（メタデータ） (2020-11-13T08:01:20Z) - Melody-Conditioned Lyrics Generation with SeqGANs [81.2302502902865]
本稿では,SeqGAN(Sequence Generative Adversarial Networks)に基づく,エンドツーエンドのメロディ条件付き歌詞生成システムを提案する。
入力条件が評価指標に悪影響を及ぼすことなく,ネットワークがより有意義な結果が得られることを示す。
論文 参考訳（メタデータ） (2020-10-28T02:35:40Z) - From Artificial Neural Networks to Deep Learning for Music Generation --
History, Concepts and Trends [0.0]
本稿では,ディープラーニング技術に基づく音楽生成のチュートリアルを提供する。
1980年代後半から、音楽生成のための人工ニューラルネットワークを用いて、いくつかの初期の作品を分析している。
論文 参考訳（メタデータ） (2020-04-07T00:33:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。