論文の概要: Optimizing the Songwriting Process: Genre-Based Lyric Generation Using Deep Learning Models

• arxiv url: http://arxiv.org/abs/2409.13758v1
• Date: Sun, 15 Sep 2024 21:32:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 05:24:17.858542
• Title: Optimizing the Songwriting Process: Genre-Based Lyric Generation Using Deep Learning Models
• Title（参考訳）: 歌唱過程の最適化:深層学習モデルを用いたゲンレベース歌詞生成
• Authors: Tracy Cai, Wilson Liang, Donte Townes,
• Abstract要約: 本プロジェクトは,ディープラーニング技術を用いて,従来の曲の書き起こしプロセスを簡素化することを目的としている。 我々は、歌詞を個々の詩にパースするためにトークンを用いた独自の前処理フォーマットを開発した。 その結果, ベースラインモデルでは高いリコール(ROUGE)が得られたが, どちらのモデルにも類似の精度(BLEU)が得られた。
• 参考スコア（独自算出の注目度）: 2.703659575788133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The traditional songwriting process is rather complex and this is evident in the time it takes to produce lyrics that fit the genre and form comprehensive verses. Our project aims to simplify this process with deep learning techniques, thus optimizing the songwriting process and enabling an artist to hit their target audience by staying in genre. Using a dataset of 18,000 songs off Spotify, we developed a unique preprocessing format using tokens to parse lyrics into individual verses. These results were used to train a baseline pretrained seq2seq model, and a LSTM-based neural network models according to song genres. We found that generation yielded higher recall (ROUGE) in the baseline model, but similar precision (BLEU) for both models. Qualitatively, we found that many of the lyrical phrases generated by the original model were still comprehensible and discernible between which genres they fit into, despite not necessarily being the exact the same as the true lyrics. Overall, our results yielded that lyric generation can reasonably be sped up to produce genre-based lyrics and aid in hastening the songwriting process.
• Abstract（参考訳）: 伝統的な曲の書き方はかなり複雑で、ジャンルに合った歌詞を作り、包括的な詩を形成するのに要する時間で明らかである。 本研究の目的は、このプロセスを深層学習技術で単純化し、曲の書き込みを最適化し、アーティストがジャンルに留まりながらターゲットのオーディエンスにヒットできるようにすることである。 Spotifyの18,000曲のデータセットを使用して、トークンを使用して歌詞を個別の詩にパースする独自の前処理フォーマットを開発した。 これらの結果は,ベースライン事前訓練セク2セックモデルとLSTMに基づくニューラルネットワークモデルを歌のジャンルに応じてトレーニングするために用いられた。 その結果, ベースラインモデルでは高いリコール率 (ROUGE) が得られたが, どちらのモデルにも類似の精度 (BLEU) が得られた。 質的に見れば、オリジナルのモデルによって生成された歌詞のフレーズの多くは、必ずしも真の歌詞と全く同じではないにもかかわらず、どのジャンルにどのジャンルが収まるかが理解でき、識別可能であることが分かりました。 以上の結果から,歌詞生成はジャンルベースの歌詞作成や,歌詞作成プロセスの高速化に有効であることが示唆された。

関連論文リスト

• REFFLY: Melody-Constrained Lyrics Editing Model [50.03960548399128]
  任意の形態のプレーンテキストドラフトを高品質で本格的な歌詞に編集するための,最初の改訂フレームワークであるREFFLYを紹介する。 提案手法は,生成した歌詞が原文の意味を保ち,旋律と整合し,所望の曲構造に固執することを保証する。
  論文  参考訳（メタデータ） (2024-08-30T23:22:34Z)
• Rhyme-aware Chinese lyric generator based on GPT [1.2813386930534034]
  大規模コーパスで事前訓練されたGPTは、プレーンテキストからリッチなセマンティックパターンを効果的にキャプチャすることができる。 しかし、歌詞を生成するために使われている既存の事前学習言語モデルは、歌詞にとって重要な韻律情報を考えることは滅多にない。
  論文  参考訳（メタデータ） (2024-08-19T16:17:20Z)
• Unsupervised Melody-to-Lyric Generation [91.29447272400826]
  本稿では,メロディ・歌詞データを学習することなく高品質な歌詞を生成する手法を提案する。 我々は、メロディと歌詞のセグメンテーションとリズムアライメントを利用して、与えられたメロディをデコード制約にコンパイルする。 我々のモデルは、強いベースラインよりもオントピー的、歌いやすく、知性があり、一貫性のある高品質な歌詞を生成することができる。
  論文  参考訳（メタデータ） (2023-05-30T17:20:25Z)
• Unsupervised Melody-Guided Lyrics Generation [84.22469652275714]
  メロディと歌詞の一致したデータを学習することなく、楽しく聴ける歌詞を生成することを提案する。 メロディと歌詞間の重要なアライメントを活用し、与えられたメロディを制約にコンパイルし、生成プロセスを導く。
  論文  参考訳（メタデータ） (2023-05-12T20:57:20Z)
• Re-creation of Creations: A New Paradigm for Lyric-to-Melody Generation [158.54649047794794]
  Re-creation of Creations (ROC)は、歌詞からメロディ生成のための新しいパラダイムである。 ROCは、Lyric-to-Meody生成において、優れたLyric-Meody特徴アライメントを実現する。
  論文  参考訳（メタデータ） (2022-08-11T08:44:47Z)
• Youling: an AI-Assisted Lyrics Creation System [72.00418962906083]
  本稿では,AIによる歌詞作成システムである textitYouling について紹介する。 歌詞生成プロセスでは、textitYoulingは従来の1パスのフルテキスト生成モードとインタラクティブな生成モードをサポートする。 システムは、ユーザーが望まない文や歌詞の言葉を繰り返し修正できるリビジョンモジュールも提供する。
  論文  参考訳（メタデータ） (2022-01-18T03:57:04Z)
• Say What? Collaborative Pop Lyric Generation Using Multitask Transfer Learning [0.9449650062296822]
  本稿では,T5トランスモデルを用いたトランスファーラーニングを利用したラインレベルのライリック生成システムを提案する。 我々は、韻律、ラインビート要求のマッチング、特定のターゲット語で行を終端するといった、叙情的・スタイリスティックなタスクを学習できるモデルを開発する。
  論文  参考訳（メタデータ） (2021-11-15T08:13:26Z)
• Automatic Neural Lyrics and Melody Composition [6.574381538711984]
  提案するシステムであるAutomatic Neural Lyrics and Melody Composition (AutoNLMC)は,人工ニューラルネットワークを用いて曲の書き起こし全体を自動化しようとする試みである。 音節, 単語, 文レベルで解析した大集合の歌詞-メロディペアに基づいて学習した歌詞からベクトル(歌詞2vec)モデルは, 大規模埋め込みモデルである。 また、プロの歌詞作家の歌詞を使って、一致する旋律を生成することもできる。
  論文  参考訳（メタデータ） (2020-11-12T13:44:01Z)
• 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)

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。