論文の概要: VocalParse: Towards Unified and Scalable Singing Voice Transcription with Large Audio Language Models

• arxiv url: http://arxiv.org/abs/2605.04613v1
• Date: Wed, 06 May 2026 08:03:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.716109
• Title: VocalParse: Towards Unified and Scalable Singing Voice Transcription with Large Audio Language Models
• Title（参考訳）: VocalParse: 大規模オーディオ言語モデルによる統一的でスケーラブルな歌声の書き起こしを目指す
• Abstract要約: LALM(Large Audio Language Model)上に構築されたSVTモデルであるVocalParseについて述べる。 我々の新しい貢献は、歌詞、メロディ、音符対応を共同でモデル化し、構造化された楽譜に直接マッピングする生成シーケンスを生成するインターリーブ・プロンプト・フォーミュレーションの導入である。 実験では、VocalParseが複数の歌唱データセット上で最先端のSVTパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 45.70355425430011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality singing annotations are fundamental to modern Singing Voice Synthesis (SVS) systems. However, obtaining these annotations at scale through manual labeling is unrealistic due to the substantial labor and musical expertise required, making automatic annotation highly necessary. Despite their utility, current automatic transcription systems face significant challenges: they often rely on complex multi-stage pipelines, struggle to recover text-note alignments, and exhibit poor generalization to out-of-distribution (OOD) singing data. To alleviate these issues, we present VocalParse, a unified singing voice transcription (SVT) model built upon a Large Audio Language Model (LALM). Specifically, our novel contribution is to introduce an interleaved prompting formulation that jointly models lyrics, melody, and word-note correspondence, yielding a generated sequence that directly maps to a structured musical score. Furthermore, we propose a Chain-of-Thought (CoT) style prompting strategy, which decodes lyrics first as a semantic scaffold, significantly mitigating the context disruption problem while preserving the structural benefits of interleaved generation. Experiments demonstrate that VocalParse achieves state-of-the-art SVT performance on multiple singing datasets. The source code and checkpoint are available at https://github.com/pymaster17/VocalParse.
• Abstract（参考訳）: 高品質な歌唱アノテーションは、現代の歌声合成(SVS)システムの基本である。 しかし、これらのアノテーションを手作業によるラベリングによって大規模に取得することは、相当な労力と音楽的専門知識を必要とするため、非現実的であり、自動アノテーションは極めて必要である。 その実用性にもかかわらず、現在の自動転写システムは、複雑なマルチステージパイプラインに依存し、テキストノートのアライメントの回復に苦労し、オフ・オブ・ディストリビューション(OOD)の歌唱データへの一般化が不十分である、という大きな課題に直面している。 これらの問題を緩和するために,大規模な音声言語モデル(LALM)上に構築されたSVTモデルであるVocalParseを提案する。 具体的には,歌詞,メロディ,音符対応を共同でモデル化し,構造化された楽譜に直接マップする生成シーケンスを生成するインターリーブ・プロンプト・フォーミュレーションを導入する。 さらに,まず歌詞を意味的な足場としてデコードするChain-of-Thought(CoT)スタイルのプロンプト戦略を提案する。 実験では、VocalParseが複数の歌唱データセット上で最先端のSVTパフォーマンスを達成することを示した。 ソースコードとチェックポイントはhttps://github.com/pymaster17/VocalParseで入手できる。

関連論文リスト

• YingMusic-Singer: Zero-shot Singing Voice Synthesis and Editing with Annotation-free Melody Guidance [16.462715982402884]
  SVS(Singing Voice Synthesis)は、音素レベルの正確なアライメントに強く依存しているため、実際の展開には制約が残っている。 メロディに追従した任意の歌詞を合成できるメロディ駆動のSVSフレームワークを提案する。 提案手法は,Diffusion Transformer (DiT) アーキテクチャ上に構築され,メロディ抽出モジュールに拡張されている。
  論文  参考訳（メタデータ） (2025-12-04T13:25:33Z)
• CoMelSinger: Discrete Token-Based Zero-Shot Singing Synthesis With Structured Melody Control and Guidance [6.797243060589937]
  歌声合成(SVS)は、歌詞やピッチシーケンスなどの構造化された音楽入力から、表現力のある音声演奏を生成することを目的としている。 本稿では,離散音色モデリングパラダイム内でのメロディ構造制御を実現するフレームワークであるCoMelSingerを提案する。 我々は,CoMelSingerが,競争ベースラインよりもピッチ精度,一貫性,ゼロショット転送性において顕著な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2025-09-24T08:34:19Z)
• S2Cap: A Benchmark and a Baseline for Singing Style Captioning [12.515874333424929]
  本稿では,歌唱音声のデータセットであるS2Capについて述べる。 このデータセットを用いて,歌唱スタイルキャプションのための効率的で簡単なベースラインアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-09-15T21:19:24Z)
• Cluster and Separate: a GNN Approach to Voice and Staff Prediction for Score Engraving [5.572472212662453]
  本稿では,音符を量子化された記号楽曲(例えばMIDIファイル)から複数の音声とステーブに分離する問題にアプローチする。 本稿では,同じ和音に属する音符を音声の一部であればエッジで接続する,グラフニューラルネットワークに基づくエンドツーエンドシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-15T14:36:13Z)
• CosyVoice: A Scalable Multilingual Zero-shot Text-to-speech Synthesizer based on Supervised Semantic Tokens [49.569695524535454]
  本稿では, ベクトル量子化をエンコーダに挿入することにより, 多言語音声認識モデルから導出される, 教師付きセマンティックトークンを用いた音声表現を提案する。 トークンをベースとした拡張性のあるゼロショットTSシンセサイザーであるCosyVoiceは,テキスト・ツー・ツー・ケン生成のためのLLMと,トークン・ツー・音声合成のための条件付きフローマッチングモデルから構成される。
  論文  参考訳（メタデータ） (2024-07-07T15:16:19Z)
• Accompanied Singing Voice Synthesis with Fully Text-controlled Melody [61.147446955297625]
  Text-to-song (TTSong) は、歌声の伴奏を合成する音楽生成タスクである。 完全テキスト制御されたメロディで高品質な曲を生成する最初のTTSongモデルであるMelodyLMを提案する。
  論文  参考訳（メタデータ） (2024-07-02T08:23:38Z)
• Prompt-Singer: Controllable Singing-Voice-Synthesis with Natural Language Prompt [50.25271407721519]
  本稿では,歌手の性別,声域,音量を自然言語で制御できる最初のSVS手法であるPrompt-Singerを提案する。 我々は,マルチスケール階層を持つデコーダのみの変換器に基づくモデルアーキテクチャを採用し,レンジメロディデカップリングされたピッチ表現を設計する。 実験により,本モデルは良好な制御能力と音質が得られることが示された。
  論文  参考訳（メタデータ） (2024-03-18T13:39:05Z)
• RMSSinger: Realistic-Music-Score based Singing Voice Synthesis [56.51475521778443]
  RMS-SVSは、異なる音符タイプでリアル音楽のスコアを与えられた高品質な歌声を生成することを目的としている。 RMS-SVS方式であるRMSSingerを提案する。 RMSSingerでは,時間を要する音素の持続時間アノテーションと複雑な音素レベルのメルノートアライメントを避けるために,単語レベルのモデリングを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:57:51Z)
• DeepSinger: Singing Voice Synthesis with Data Mined From the Web [194.10598657846145]
  DeepSinger(ディープシンガー)は、音楽ウェブサイトから抽出された歌唱訓練データを用いて、スクラッチから構築された多言語歌唱音声合成システムである。 DeepSingerを3つの言語で89人の歌手から約92時間のデータからなるマイニングされた歌唱データセットで評価した。
  論文  参考訳（メタデータ） (2020-07-09T07:00:48Z)

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。