論文の概要: A Review of Intelligent Music Generation Systems

• arxiv url: http://arxiv.org/abs/2211.09124v3
• Date: Fri, 17 Nov 2023 13:11:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 20:50:50.561544
• 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: Lei Wang, Ziyi Zhao, Hanwei Liu, Junwei Pang, Yi Qin, and Qidi Wu
• Abstract要約: ChatGPTは、クリエイティブな取り組みにおける非プロフェッショナルの参入障壁を著しく減らした。 現代の生成アルゴリズムは、規則制約や音楽コーパスに基づいて、音楽に暗黙的なパターンを抽出することができる。
• 参考スコア（独自算出の注目度）: 4.287960539882345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the introduction of ChatGPT, the public's perception of AI-generated content (AIGC) has begun to reshape. Artificial intelligence has significantly reduced the barrier to entry for non-professionals in creative endeavors, enhancing the efficiency of content creation. Recent advancements have seen significant improvements in the quality of symbolic music generation, which is enabled by the use of modern generative algorithms to extract patterns implicit in a piece of music based on rule constraints or a musical corpus. Nevertheless, existing literature reviews tend to present a conventional and conservative perspective on future development trajectories, with a notable absence of thorough benchmarking of generative models. This paper provides a survey and analysis of recent intelligent music generation techniques, outlining their respective characteristics and discussing existing methods for evaluation. Additionally, the paper compares the different characteristics of music generation techniques in the East and West as well as analysing the field's development prospects.
• Abstract（参考訳）: ChatGPTの導入により、AIGC(AIGC)に対する大衆の認識が再形成され始めている。 人工知能は、クリエイティブな取り組みにおける非プロフェッショナルの参入障壁を著しく減らし、コンテンツ作成の効率性を高めた。 近年の進歩はシンボリック・ミュージック・ジェネレーションの質が大幅に向上しており、ルール制約やコーパスに基づいた音楽に暗黙のパターンを抽出するために現代の生成アルゴリズムを用いることによって実現されている。 それにもかかわらず、既存の文献レビューは、将来の開発軌跡に関する従来的かつ保守的な視点を示し、生成モデルの徹底的なベンチマークが欠如している。 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調査と分析を行い,それぞれの特徴を概説し,既存の評価手法について議論する。 さらに,東・西方における音楽生成技術の諸特性を比較し,その発展の展望を分析した。

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。