Fugu-MT 論文翻訳(概要): A Novel Bi-LSTM And Transformer Architecture For Generating Tabla Music

論文の概要: A Novel Bi-LSTM And Transformer Architecture For Generating Tabla Music

arxiv url: http://arxiv.org/abs/2404.05765v1
Date: Sat, 6 Apr 2024 16:15:02 GMT
ステータス: 処理完了
システム内更新日: 2024-04-10 18:58:15.270190
Title: A Novel Bi-LSTM And Transformer Architecture For Generating Tabla Music
Title（参考訳）: タブラ音楽生成のためのBi-LSTMとトランスフォーマーアーキテクチャ
Authors: Roopa Mayya, Vivekanand Venkataraman, Anwesh P R, Narayana Darapaneni,
Abstract要約: インド古典音楽、特にタブラ音楽を生成する方法が提案されている。アテンションアプローチとトランスフォーマーモデルを備えた新しいBi-LSTMを抽出した特徴とラベルに基づいて訓練する。
参考スコア（独自算出の注目度）: 2.062778014412626
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Introduction: Music generation is a complex task that has received significant attention in recent years, and deep learning techniques have shown promising results in this field. Objectives: While extensive work has been carried out on generating Piano and other Western music, there is limited research on generating classical Indian music due to the scarcity of Indian music in machine-encoded formats. In this technical paper, methods for generating classical Indian music, specifically tabla music, is proposed. Initially, this paper explores piano music generation using deep learning architectures. Then the fundamentals are extended to generating tabla music. Methods: Tabla music in waveform (.wav) files are pre-processed using the librosa library in Python. A novel Bi-LSTM with an Attention approach and a transformer model are trained on the extracted features and labels. Results: The models are then used to predict the next sequences of tabla music. A loss of 4.042 and MAE of 1.0814 are achieved with the Bi-LSTM model. With the transformer model, a loss of 55.9278 and MAE of 3.5173 are obtained for tabla music generation. Conclusion: The resulting music embodies a harmonious fusion of novelty and familiarity, pushing the limits of music composition to new horizons.
Abstract（参考訳）: 紹介:音楽生成は,近年注目されている複雑な課題であり,深層学習技術はこの分野で有望な成果を上げている。目的: ピアノやその他の西洋音楽の創出について広範な研究がなされてきたが、インド音楽の機械符号化形式による不足による古典的なインド音楽の創出についての研究は限られている。本稿では,古典インド音楽,特にタブラ音楽を生成する手法を提案する。本稿ではまず,ディープラーニングアーキテクチャを用いたピアノ音楽生成について検討する。そして、基本をタブラ音楽を生成するよう拡張する。メソッド: 波形 (.wav) ファイル中の Tabla 音楽は Python の librosa ライブラリを使って事前処理される。アテンションアプローチとトランスフォーマーモデルを備えた新しいBi-LSTMを抽出した特徴とラベルに基づいて訓練する。結果: モデルはタブラ音楽の次のシーケンスを予測するために使用される。 4.042 と 1.0814 の MAE の損失は Bi-LSTM モデルによって達成される。変圧器モデルでは、タブラ音楽生成のために55.9278と3.5173のMAEの損失が得られる。結論: 結果として生まれた音楽は、新奇さと親密さの調和した融合を具現化し、作曲の限界を新たな地平線に押し上げる。

関連論文リスト

MMT-BERT: Chord-aware Symbolic Music Generation Based on Multitrack Music Transformer and MusicBERT [44.204383306879095]
シンボリック・マルチトラック音楽生成に特化して設計された新しいシンボリック・ミュージック表現とジェネレーティブ・アディバーショナル・ネットワーク(GAN)フレームワークを提案する。頑健なマルチトラック・ミュージック・ジェネレータを構築するため,事前学習したMusicBERTモデルを微調整して判別器として機能し,相対論的標準損失を取り入れた。
論文参考訳（メタデータ） (2024-09-02T03:18:56Z)
MuPT: A Generative Symbolic Music Pretrained Transformer [56.09299510129221]
音楽の事前学習におけるLarge Language Models (LLM) の適用について検討する。生成過程の異なるトラックからの不整合対策に関連する課題に対処するために,SMT-ABC Notation(Synchronized Multi-Track ABC Notation)を提案する。私たちのコントリビューションには、最大8192個のトークンを処理可能な一連のモデルが含まれており、トレーニングセットの象徴的な音楽データの90%をカバーしています。
論文参考訳（メタデータ） (2024-04-09T15:35:52Z)
Video2Music: Suitable Music Generation from Videos using an Affective Multimodal Transformer model [32.801213106782335]
我々は、提供されたビデオにマッチできる生成型音楽AIフレームワーク、Video2Musicを開発した。そこで本研究では,映像コンテンツにマッチする楽曲を感情的に生成する手法を提案する。
論文参考訳（メタデータ） (2023-11-02T03:33:00Z)
From West to East: Who can understand the music of the others better? [91.78564268397139]
我々は、異なる音楽文化間の類似性についての洞察を導き出すために、伝達学習手法を活用する。西洋音楽の2つのデータセット、地中海東部の文化に由来する伝統的・民族的な2つのデータセット、インドの芸術音楽に属する2つのデータセットを使用します。 CNNベースの2つのアーキテクチャとTransformerベースのアーキテクチャを含む3つのディープオーディオ埋め込みモデルがトレーニングされ、ドメイン間で転送される。
論文参考訳（メタデータ） (2023-07-19T07:29:14Z)
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)
Simple and Controllable Music Generation [94.61958781346176]
MusicGenは単一の言語モデル(LM)であり、圧縮された離散的な音楽表現、すなわちトークンの複数のストリームで動作する。以前の作業とは異なり、MusicGenはシングルステージのトランスフォーマーLMと効率的なトークンインターリービングパターンで構成されている。
論文参考訳（メタデータ） (2023-06-08T15:31:05Z)
Melody transcription via generative pre-training [86.08508957229348]
メロディの書き起こしの鍵となる課題は、様々な楽器のアンサンブルや音楽スタイルを含む幅広いオーディオを処理できる方法を構築することである。この課題に対処するために、広帯域オーディオの生成モデルであるJukebox(Dhariwal et al. 2020)の表現を活用する。広義音楽のクラウドソースアノテーションから50ドル(約5,400円)のメロディ書き起こしを含む新しいデータセットを導出する。
論文参考訳（メタデータ） (2022-12-04T18:09:23Z)
A Dataset for Greek Traditional and Folk Music: Lyra [69.07390994897443]
本稿では,80時間程度で要約された1570曲を含むギリシャの伝統音楽と民俗音楽のデータセットについて述べる。このデータセットにはYouTubeのタイムスタンプ付きリンクが組み込まれており、オーディオやビデオの検索や、インスツルメンテーション、地理、ジャンルに関する豊富なメタデータ情報が含まれている。
論文参考訳（メタデータ） (2022-11-21T14:15:43Z)
DadaGP: A Dataset of Tokenized GuitarPro Songs for Sequence Models [25.15855175804765]
DadaGPは739のジャンルをカバーするGuitarProフォーマットの26,181曲からなる新しいシンボリック・ミュージック・データセットである。 DadaGPは、GuitarProファイルをトークンとバックに変換するエンコーダ/デコーダと共にリリースされた。本稿では,DadaGPを用いてトランスフォーマーモデルを用いてGuitarProフォーマットで新しい曲を生成するユースケースについて述べる。
論文参考訳（メタデータ） (2021-07-30T14:21:36Z)
Using a Bi-directional LSTM Model with Attention Mechanism trained on MIDI Data for Generating Unique Music [0.25559196081940677]
本稿では,MIDIデータに基づく類似音楽を生成するためのアテンション機構を備えた双方向LSTMモデルを提案する。モデルが生成する音楽は、モデルがトレーニングする音楽のテーマ/スタイルに従う。
論文参考訳（メタデータ） (2020-11-02T06:43:28Z)

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。