論文の概要: MuQ-Eval: An Open-Source Per-Sample Quality Metric for AI Music Generation Evaluation

• arxiv url: http://arxiv.org/abs/2603.22677v1
• Date: Tue, 24 Mar 2026 00:57:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.23404
• Title: MuQ-Eval: An Open-Source Per-Sample Quality Metric for AI Music Generation Evaluation
• Title（参考訳）: MuQ-Eval: AI音楽生成評価のためのオープンソースパーサンプル品質指標
• Authors: Di Zhu, Zixuan Li,
• Abstract要約: 我々は,凍結した MuQ-310M 上の予測ヘッドをトレーニングすることによって構築された,AI 音楽のサンプルごとの品質指標であるMUQ-EVAL を紹介する。 MuQ-EVALは完全にオープンソースで、既存のサンプル単位のメトリクスよりも優れており、単一のコンシューマ上でリアルタイムに実行される。
• 参考スコア（独自算出の注目度）: 6.956599300514328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributional metrics such as Fréchet Audio Distance cannot score individual music clips and correlate poorly with human judgments, while the only per-sample learned metric achieving high human correlation is closed-source. We introduce MUQ-EVAL, an open-source per-sample quality metric for AIgenerated music built by training lightweight prediction heads on frozen MuQ-310M features using MusicEval, a dataset of generated clips from 31 text-to-music systems with expert quality ratings. Our simplest model, frozen features with attention pooling and a two-layer MLP, achieves system-level SRCC = 0.957 and utterance-level SRCC = 0.838 with human mean opinion scores. A systematic ablation over training objectives and adaptation strategies shows that no addition meaningfully improves the frozen baseline, indicating that frozen MuQ representations already capture quality-relevant information. Encoder choice is the dominant design factor, outweighing all architectural and training decisions. LoRA-adapted models trained on as few as 150 clips already achieve usable correlation, enabling personalized quality evaluators from individual listener annotations. A controlled degradation analysis reveals selective sensitivity to signal-level artifacts but insensitivity to musical-structural distortions. Our metric, MUQ-EVAL, is fully open-source, outperforms existing open per-sample metrics, and runs in real time on a single consumer GPU. Code, model weights, and evaluation scripts are available at https://github.com/dgtql/MuQ-Eval.
• Abstract（参考訳）: フレシェ・オーディオ・ディスタンス(Fréchet Audio Distance)のような分布的メトリクスは、個々の音楽クリップをスコアし、人間の判断と相関することができない。 MusicEvalは、専門家による品質評価を備えた31のテキスト・ツー・ミュージックシステムから生成されたクリップのデータセットで、凍結したMuQ-310M機能に対する軽量な予測ヘッドをトレーニングすることで構築されたAI生成音楽のオープンソース1サンプル品質指標であるMUQ-EVALを紹介する。 我々の最も単純なモデル、注目プーリングと2層MLPは、システムレベルSRCC = 0.957、発話レベルSRCC = 0.838、人間の平均スコアスコアを持つ。 トレーニング目標と適応戦略に対する体系的なアブレーションは、追加が凍結ベースラインを有意に改善しないことを示し、凍結したMuQ表現が既に品質関連情報をキャプチャしていることを示している。 エンコーダの選択は主要な設計要素であり、アーキテクチャやトレーニングの判断を上回ります。 LoRAに適応したモデルは150クリップまでトレーニング済みで、すでに使用可能な相関性を実現しており、個々のリスナアノテーションから品質評価をパーソナライズすることができる。 制御された劣化解析は、信号レベルのアーティファクトに対して選択的に感度を示すが、音楽構造上の歪みには敏感である。 私たちのメトリックであるMUQ-EVALは、完全にオープンソースで、既存のサンプル単位のメトリクスよりも優れており、単一のコンシューマGPUでリアルタイムに実行されています。 コード、モデルウェイト、評価スクリプトはhttps://github.com/dgtql/MuQ-Eval.comで入手できる。

関連論文リスト

• When Noise Lowers The Loss: Rethinking Likelihood-Based Evaluation in Music Large Language Models [4.959996513415697]
  音楽大言語モデル(LLM)は、出力品質を評価する堅牢な方法を必要とする。 モデルが体系的に破損した音楽に遭遇し、独立した品質指標としての妥当性を損なうことを示す。 絶対値ではなく、損失曲線の形状は、生成されたコンテンツの品質に関する重要な情報を符号化します。
  論文  参考訳（メタデータ） (2026-02-02T19:53:12Z)
• VocSim: A Training-free Benchmark for Zero-shot Content Identity in Single-source Audio [1.0791267046450075]
  VocSimは、凍結埋め込みの固有の幾何学的アライメントを探索するトレーニング不要のベンチマークである。 VocSimは、人間のスピーチ、動物の発声、環境音にまたがる19のコーパスから125万のソースクリップを集約する。
  論文  参考訳（メタデータ） (2025-12-10T22:13:12Z)
• SpeechQualityLLM: LLM-Based Multimodal Assessment of Speech Quality [2.1178416840822027]
  音声品質評価は電話、VoIP、ストリーミングシステムの中心であり、大量の劣化したオーディオを大規模に監視し、最適化する必要がある。 本稿では,音声エンコーダを言語モデルに結合し,テンプレートベースの質問応答ペアを用いてNISQAコーパスで学習するマルチモーダル音声品質質問応答システムであるSpeechQualityLLMを紹介する。 本システムでは,数値予測を解析し,標準回帰とランキングの指標を用いて評価するテキスト回答を生成する。
  論文  参考訳（メタデータ） (2025-12-09T04:39:50Z)
• QASTAnet: A DNN-based Quality Metric for Spatial Audio [0.0]
  本稿では,空間音響に特化したディープニューラルネットワークに基づく新しいメトリクスであるQASTAnet(Quality Assessment for SpaTial Audio Network)を提案する。 トレーニングデータが不足しているため、少量のデータでモデルをトレーニングできるようにすることを目標としています。 結果は、QASTAnetが既存のメソッドの制限を克服していることを示している。
  論文  参考訳（メタデータ） (2025-09-20T14:57:09Z)
• Aligning Text-to-Music Evaluation with Human Preferences [63.08368388389259]
  本稿では,TTM(生成音響テキスト・ツー・ミュージック)モデルの評価のための基準ベース分散指標の設計空間について検討する。 私たちは、合成データと人間の嗜好データの両方に標準のFAD設定が矛盾しているだけでなく、既存の指標のほとんどすべてがデシデラタを効果的に捉えていないことに気付きました。 我々は,自己教師型音声埋め込みモデルから表現に基づいて計算したMAUVE Audio Divergence(MAD)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T19:31:04Z)
• Machine Learning Framework for Audio-Based Content Evaluation using MFCC, Chroma, Spectral Contrast, and Temporal Feature Engineering [0.0]
  そこで本研究では,YouTube上の音楽カバーの音声サンプルと,オリジナル曲の音声とユーザコメントからの感情スコアを含むデータセットを構築した。 我々のアプローチは、広範囲な事前処理、音声信号を30秒のウィンドウに分割し、高次元の特徴表現を抽出することである。 回帰モデルを用いて感情スコアを0-100スケールで予測し,それぞれ3.420,5.482,2.783,4.212の根平均二乗誤差(RMSE)値を達成する。
  論文  参考訳（メタデータ） (2024-10-31T20:26:26Z)
• CLAIR-A: Leveraging Large Language Models to Judge Audio Captions [73.51087998971418]
  機械生成オーディオキャプションの評価は、様々な要因を検討する必要がある複雑なタスクである。 本稿では,大規模言語モデルのゼロショット機能を活用するシンプルで柔軟なCLAIR-Aを提案する。 我々の評価では、CLAIR-Aは従来のメトリクスと比較して品質の人的判断を良く予測する。
  論文  参考訳（メタデータ） (2024-09-19T17:59:52Z)
• Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
  上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。 提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T06:50:27Z)
• High Fidelity Neural Audio Compression [92.4812002532009]
  我々は、ニューラルネットワークを利用した最先端のリアルタイム、高忠実、オーディオを導入する。 ストリーミングエンコーダ-デコーダアーキテクチャと、エンドツーエンドでトレーニングされた量子化潜在空間で構成されている。 単一マルチスケール・スペクトログラム・アドバイザリーを用いて、トレーニングを簡素化し、高速化する。
  論文  参考訳（メタデータ） (2022-10-24T17:52:02Z)

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。