Fugu-MT 論文翻訳(概要): Listening Like a Judge: A Music-Aware Framework for Automatic Singing Performance Evaluation

論文の概要: Listening Like a Judge: A Music-Aware Framework for Automatic Singing Performance Evaluation

arxiv url: http://arxiv.org/abs/2606.26451v1
Date: Wed, 24 Jun 2026 23:24:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.09964
Title: Listening Like a Judge: A Music-Aware Framework for Automatic Singing Performance Evaluation
Title（参考訳）: 審査員のような聴取:自動歌唱性能評価のための音楽認識フレームワーク
Abstract要約: MusicJudgeは、自動歌唱品質評価のためのモダリティ誘導フレームワークである。ピッチリズムの忠実度と歌詞の正しさを結合することにより、ブロック整列多重モーダル解析を行う。意味的埋め込み、語彙的類似性、音声的アライメントを統合した多信号マッチングを用いて意味的に意味のある歌詞ブロックを検出する。
参考スコア（独自算出の注目度）: 2.4230700749442917
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Automatic singing quality assessment (SQA) requires evaluating lyrical correctness and musical fidelity while handling expressive variations. However, existing systems largely rely on either acoustic cues or lyric transcriptions exclusively, limiting holistic performance evaluation. Furthermore, their integration is non-trivial due to challenges in robust singing transcription amid melisma, vibrato, and tempo elasticity. To this end, we propose MusicJudge, a modality-guided framework for automated SQA that performs block-aligned multimodal analysis by coupling lyric correctness with pitch-rhythm fidelity. It detects semantically meaningful lyric blocks using multi-signal matching that integrates semantic embeddings, lexical similarity, and phonetic alignment. To improve singing audio transcription, we introduce Modality-Guided LoRA for ASR fine-tuning. Experiments across datasets demonstrate strong agreement with human expert judgments and validate the generalizability of MusicJudge.
Abstract（参考訳）: 自動歌唱品質評価 (SQA) では, 表現的変化を扱いながら, 歌詞の正しさと音楽の忠実さを評価する必要がある。しかし、既存のシステムは音響的な手がかりや歌詞の書き起こしに大きく依存しており、全体的な性能評価を制限している。さらに、メリスマ、ビブラート、テンポの弾力性の中で、ロバストな歌唱の書き起こしが困難であるため、それらの統合は簡単ではない。そこで我々は,SQA自動化のためのモダリティ誘導フレームワークであるMusicJudgeを提案する。意味的埋め込み、語彙的類似性、音声的アライメントを統合した多信号マッチングを用いて意味的に意味のある歌詞ブロックを検出する。歌唱音声の書き起こしを改善するため,ASRファインチューニングのためのModality-Guided LoRAを提案する。データセット間の実験は、人間の専門家による判断と強い一致を示し、MusicJudgeの一般化性を検証する。

関連論文リスト

FIGMA: Towards FIne-Grained Music retrievAl [65.98380295254817]
自然言語記述による音楽の検索はCLAPのような対照的な音声テキストモデルで改善されているが、現在のシステムはいまだに大まかなセマンティッククエリに限られている。この制限は、長いキャプションで訓練されているにもかかわらず、CLAPベースのモデルは、最初の数個のトークンのみを効果的に活用する。本研究では,グローバルな音声テキストアライメントとフレームレベルのトークンアライメントを共同で最適化することで,この制限に対処するマルチビューコントラストアーキテクチャであるFIGMAを提案する。
論文参考訳（メタデータ） (2026-06-04T18:05:39Z)
AnyAudio-Judge: A Dynamic Rubric-Based Benchmark and Evaluator for Audio Instruction Following [17.52339026461815]
本稿では,複雑な音声キャプションを可変個の独立した検証可能なバイナリルーブリックアイテムに適応的に分解する動的ルーブリック評価パラダイムを提案する。我々はこの能力をAnyAudio-Judge Benchでベンチマークする。実験により、AnyAudio-Judgeは、最先端のベースラインに比べて、ゼロショットアライメントの検出を著しく向上する。
論文参考訳（メタデータ） (2026-06-02T04:00:32Z)
Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
論文参考訳（メタデータ） (2026-05-28T06:23:31Z)
VocalParse: Towards Unified and Scalable Singing Voice Transcription with Large Audio Language Models [45.70355425430011]
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。
論文参考訳（メタデータ） (2026-05-06T08:03:31Z)
AQAScore: Evaluating Semantic Alignment in Text-to-Audio Generation via Audio Question Answering [97.52852990265136]
音声対応大規模言語モデルの推論機能を活用するバックボーン非依存評価フレームワークであるAQAScoreを紹介する。 AQAScoreは人格関連性、ペア比較、構成推論タスクを含む複数のベンチマークで評価する。
論文参考訳（メタデータ） (2026-01-21T07:35:36Z)
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)
Generative Multi-modal Feedback for Singing Voice Synthesis Evaluation [8.659397003532488]
歌声合成評価のための多次元言語と音声フィードバックを提供する生成的フィードバックフレームワークを提案する。提案手法は, メロディ, コンテンツ, 聴覚品質など, テキストや音声の批判的側面を生成するために, 音声モデルを活用する。このフレームワークは、生成モデルの改善を導くのに適した音楽的正確で解釈可能な評価を生成する。
論文参考訳（メタデータ） (2025-12-02T08:32:09Z)
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)
AlignSTS: Speech-to-Singing Conversion via Cross-Modal Alignment [67.10208647482109]
STS音声変換タスクは,音声録音に対応する歌唱サンプルを生成することを目的としている。本稿では,明示的なクロスモーダルアライメントに基づくSTSモデルであるAlignSTSを提案する。実験の結果、AlignSTSは客観的メトリクスと主観的メトリクスの両方で優れたパフォーマンスを達成している。
論文参考訳（メタデータ） (2023-05-08T06:02:10Z)
Audio Impairment Recognition Using a Correlation-Based Feature Representation [85.08880949780894]
本稿では,特徴対の相関に基づく手作り特徴の新しい表現を提案する。実験段階において,コンパクトな特徴次元と計算速度の向上の観点から,優れた性能を示す。
論文参考訳（メタデータ） (2020-03-22T13:34:37Z)

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。