論文の概要: BEAT: Tokenizing and Generating Symbolic Music by Uniform Temporal Steps

• arxiv url: http://arxiv.org/abs/2604.19532v1
• Date: Tue, 21 Apr 2026 14:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.824821
• Title: BEAT: Tokenizing and Generating Symbolic Music by Uniform Temporal Steps
• Title（参考訳）: BEAT:一様時間ステップによるシンボリック音楽の起動と生成
• Authors: Lekai Qian, Haoyu Gu, Jingwei Zhao, Ziyu Wang,
• Abstract要約: 均一長の音楽ステップが基本単位となる場合、代替トークン化が可能かどうかを検討する。 すべてのイベントを単一のタイムステップで1つのトークンと同じピッチでエンコードし、タイムステップで明示的にトークンをグループ化する。 その結果,音楽的品質と構造的コヒーレンスが改善された。
• 参考スコア（独自算出の注目度）: 6.961101489217409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tokenizing music to fit the general framework of language models is a compelling challenge, especially considering the diverse symbolic structures in which music can be represented (e.g., sequences, grids, and graphs). To date, most approaches tokenize symbolic music as sequences of musical events, such as onsets, pitches, time shifts, or compound note events. This strategy is intuitive and has proven effective in Transformer-based models, but it treats the regularity of musical time implicitly: individual tokens may span different durations, resulting in non-uniform time progression. In this paper, we instead consider whether an alternative tokenization is possible, where a uniform-length musical step (e.g., a beat) serves as the basic unit. Specifically, we encode all events within a single time step at the same pitch as one token, and group tokens explicitly by time step, which resembles a sparse encoding of a piano-roll representation. We evaluate the proposed tokenization on music continuation and accompaniment generation tasks, comparing it with mainstream event-based methods. Results show improved musical quality and structural coherence, while additional analyses confirm higher efficiency and more effective capture of long-range patterns with the proposed tokenization.
• Abstract（参考訳）: 言語モデルの一般的な枠組みに適合するように音楽を作ることは、特に音楽が表現できる多様な記号構造(例えば、シーケンス、グリッド、グラフ)を考えると、魅力的な課題である。 これまでのほとんどのアプローチでは、シンボリック音楽は、オンセット、ピッチ、タイムシフト、複合ノートイベントなどの音楽イベントのシーケンスとしてトークン化されている。 この戦略は直感的で、トランスフォーマーベースのモデルで有効であることが証明されているが、楽譜の規則性を暗黙的に扱う。 本稿では,一様長の音楽ステップ(例えばビート)が基本単位となる場合,代替トークン化が可能かどうかを検討する。 具体的には、1つのトークンと同じピッチで、すべてのイベントを1つのタイムステップでエンコードし、タイムステップで明示的にグループトークンをグループ化する。 提案手法を主流のイベントベース手法と比較し,音楽継続・伴奏生成タスクにおけるトークン化を提案する。 その結果, 音質と構造コヒーレンスが改善され, さらに, トークン化によりより効率が高く, より効果的にパターンを捕捉できることがわかった。

関連論文リスト

• Evaluating Interval-based Tokenization for Pitch Representation in Symbolic Music Analysis [0.10241134756773229]
  インターバルベースのトークン化を構築するための一般的なフレームワークを紹介する。 間隔ベースのトークン化によってモデルの性能が向上し、説明可能性も向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T17:22:03Z)
• PerceiverS: A Multi-Scale Perceiver with Effective Segmentation for Long-Term Expressive Symbolic Music Generation [4.101665207455494]
  PerceiverS(セグメンテーション・アンド・スケール)は、長い構造化された表現力のある音楽を生成するために設計された新しいアーキテクチャである。 本手法は,長期的構造的依存関係と短期的表現的詳細を同時に学習することにより,記号的音楽生成を促進する。 提案したモデルは,Maestroデータセットを用いて評価され,コヒーレントで多様な音楽を生成する方法の改善が示されている。
  論文  参考訳（メタデータ） (2024-11-13T03:14:10Z)
• Impact of time and note duration tokenizations on deep learning symbolic music modeling [0.0]
  共通トークン化手法を解析し、時間と音符の持続時間表現を実験する。 明示的な情報がタスクによってより良い結果をもたらすことを実証する。
  論文  参考訳（メタデータ） (2023-10-12T16:56:37Z)
• 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)
• Byte Pair Encoding for Symbolic Music [0.0]
  Byte Pair 埋め込みは語彙サイズを増大させながらシーケンス長を著しく減少させる。 我々は、より表現力のあるトークンでそのようなモデルの埋め込み能力を活用し、その結果、より優れた結果と、生成および分類タスクにおける高速な推論の両方をもたらす。 ソースコードはGithubと同伴のウェブサイトで共有されている。
  論文  参考訳（メタデータ） (2023-01-27T20:22:18Z)
• Museformer: Transformer with Fine- and Coarse-Grained Attention for Music Generation [138.74751744348274]
  本研究では,音楽生成に新たな細粒度・粗粒度対応トランスフォーマーであるMuseformerを提案する。 具体的には、細かな注意を払って、特定のバーのトークンは、音楽構造に最も関係のあるバーのトークンに、直接参加する。 粗い注意を払って、トークンは計算コストを減らすために、それぞれのトークンではなく他のバーの要約にのみ参加する。
  論文  参考訳（メタデータ） (2022-10-19T07:31:56Z)
• Quantized GAN for Complex Music Generation from Dance Videos [48.196705493763986]
  D2M-GAN(Dance2Music-GAN, D2M-GAN, D2M-GAN)は、ダンスビデオに条件付けされた楽曲のサンプルを生成する新しいマルチモーダルフレームワークである。 提案フレームワークは,ダンスビデオフレームと人体の動きを入力とし,対応する入力に付随する音楽サンプルを生成することを学習する。
  論文  参考訳（メタデータ） (2022-04-01T17:53:39Z)
• Music Gesture for Visual Sound Separation [121.36275456396075]
  ミュージック・ジェスチャ(Music Gesture)は、音楽演奏時の演奏者の身体と指の動きを明示的にモデル化するキーポイントに基づく構造化表現である。 まず、コンテキスト対応グラフネットワークを用いて、視覚的コンテキストと身体力学を統合し、その後、身体の動きと対応する音声信号とを関連付けるために、音声-視覚融合モデルを適用する。
  論文  参考訳（メタデータ） (2020-04-20T17:53:46Z)

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。