論文の概要: Clean2FX: Label-conditioned modeling for clean-to-effect guitar audio transformations
- arxiv url: http://arxiv.org/abs/2607.08863v1
- Date: Thu, 09 Jul 2026 18:35:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.724779
- Title: Clean2FX: Label-conditioned modeling for clean-to-effect guitar audio transformations
- Title（参考訳）: Clean2FX: クリーン・トゥ・エフェクトギターオーディオ変換のためのラベル条件付きモデリング
- Abstract要約: 本稿では、エレクトロギターオーディオのためのラベル付きクリーン・ツー・エフェクト変換の研究とデモであるClean2FXを紹介する。
クリーンなギター入力とターゲット効果ラベルが与えられた場合、音楽コンテンツを保持しながら対応する効果のある信号を合成する。
我々は、共通のスペクトログラムに基づく変換設定の下で、4つのニューラルアプローチを評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present Clean2FX, a study and demo of label-conditioned clean-to-effect transformation for electric guitar audio. Given a clean guitar input and a target effect label, the task is to synthesize the corresponding effected signal while preserving the musical content. Training and evaluation pairs are constructed from EGFxSet real, single tone recordings by assembling matched clean/effected chords, melodies, and mixed timelines. This allows for controlled comparison across effects. We evaluate four neural approaches under a common spectrogram-based transformation setting: two variational autoencoders and two U-Net models that differ in whether they operate on linear or log-magnitude representations. Performance is measured using linear-magnitude spectrogram MSE and Fréchet Audio Distance. The U-Net models outperform the variational autoencoder variants. Per-effect results show that distortion effects are most readily improved, whereas delay and reverb effects exhibit weaker FAD gains despite substantial spectral-error reductions. A conditioning-sensitivity diagnostic provides evidence that the best model responds to target labels rather than collapsing to a single transformation. Our demo website compares two models applied on real-world guitar performances outside training and validation data, providing audio and spectrogram examples of the practical clean-to-effect behavior.
- Abstract（参考訳）: 本稿では、エレクトロギターオーディオのためのラベル付きクリーン・ツー・エフェクト変換の研究とデモであるClean2FXを紹介する。
クリーンなギター入力とターゲット効果ラベルが与えられた場合、音楽コンテンツを保持しながら対応する効果のある信号を合成する。
トレーニングと評価のペアは、一致したクリーン/エフェクトコード、メロディー、混合タイムラインを組み立てることで、EGFxSetのリアルタイムなシングルトーン録音から構築される。
これにより、効果間の比較を制御できる。
我々は,2つの変分オートエンコーダと2つのU-Netモデルという,共通のスペクトログラムに基づく変換条件下での4つのニューラルアプローチを評価する。
リニアマグニチュード・スペクトログラムMSEとフレシェ・オーディオ・ディスタンスを用いて性能を測定した。
U-Netモデルは変分オートエンコーダのバリエーションよりも優れている。
その結果, 歪み効果は比較的容易に改善され, 遅延効果や逆流効果はスペクトル誤差の大幅な低減にもかかわらず, より弱いFADゲインを示すことがわかった。
条件付け感度の診断は、最良のモデルが単一の変換に崩壊するのではなく、ターゲットラベルに応答することを示す。
我々のデモウェブサイトは、トレーニングや検証データ以外の実世界のギター演奏に適用された2つのモデルを比較し、実用的なクリーン・トゥ・エフェクト動作のオーディオとスペクトログラムの例を提供している。
関連論文リスト
- TimberAgent: Gram-Guided Retrieval for Executable Music Effect Control [9.319159431126453]
Texture Resonance Retrieval (TRR) は、中間レベルWav2Vec2アクティベーションのグラマー行列から構築されたオーディオ表現である。
TRRを1063のプレセットと204のクエリで評価した。
論文 参考訳（メタデータ） (2026-03-10T08:09:32Z) - Representation-Regularized Convolutional Audio Transformer for Audio Understanding [53.092757178419355]
スクラッチからのブートストラップ表現は計算に高価で、しばしば収束するために広範囲のトレーニングを必要とします。
本稿では,これらの課題に対処するための統合フレームワークであるConvolutional Audio Transformer (CAT)を提案する。
論文 参考訳（メタデータ） (2026-01-29T12:16:19Z) - Gradient-based Optimisation of Modulation Effects [8.97214437002284]
本稿では,異なるディジタル信号処理に基づいて,フランガー,コーラス,位相効果をモデル化する枠組みを提案する。
モデルは時間周波数領域でトレーニングされるが、推論時には時間領域で動作し、遅延はゼロである。
アナログ効果ユニットに対して訓練した場合、モデルから出力される音は、参照とは知覚的に区別できない場合もある。
論文 参考訳（メタデータ） (2026-01-08T12:04:41Z) - Open-Amp: Synthetic Data Framework for Audio Effect Foundation Models [4.569691863088947]
本稿では,大規模かつ多様なオーディオエフェクトデータを生成するための合成データフレームワークであるOpen-Ampを紹介する。
実験により, ギターエフェクトエンコーダの訓練に Open-Amp を用いることで, 複数のギターエフェクト分類タスクにおいて, 新たな最先端結果が得られることがわかった。
論文 参考訳（メタデータ） (2024-11-22T14:27:59Z) - DITTO: Diffusion Inference-Time T-Optimization for Music Generation [49.90109850026932]
Diffusion Inference-Time T-Optimization (DITTO) は、事前訓練されたテキストから音楽への拡散モデルを推論時に制御するためのフレームワークである。
我々は、インペイント、アウトペイント、ループ化、強度、メロディ、音楽構造制御など、驚くほど幅広い音楽生成応用を実証する。
論文 参考訳（メタデータ） (2024-01-22T18:10:10Z) - Towards Improving Harmonic Sensitivity and Prediction Stability for
Singing Melody Extraction [36.45127093978295]
本稿では,2つの仮定に基づいて,入力特徴量修正と訓練対象量修正を提案する。
後続高調波に対するモデルの感度を高めるため、離散z変換を用いた複合周波数と周期表現を修正した。
我々はこれらの修正を、MSNet、FTANet、ピアノの書き起こしネットワークから修正された新しいモデルPianoNetなど、いくつかのモデルに適用する。
論文 参考訳（メタデータ） (2023-08-04T21:59:40Z) - From Discrete Tokens to High-Fidelity Audio Using Multi-Band Diffusion [84.138804145918]
深層生成モデルは、様々な種類の表現で条件付けられた高忠実度オーディオを生成することができる。
これらのモデルは、条件付けに欠陥がある場合や不完全な場合、可聴アーチファクトを生成する傾向がある。
低ビットレート離散表現から任意の種類のオーディオモダリティを生成する高忠実度マルチバンド拡散ベースフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-02T22:14:29Z) - Anomalous Sound Detection using Audio Representation with Machine ID
based Contrastive Learning Pretraining [52.191658157204856]
コントラスト学習を用いて、各音声サンプルではなく、各機械IDの音声表現を洗練する。
提案手法では、コントラスト学習を用いて音声表現モデルを事前学習する。
実験の結果,本手法はコントラスト学習や自己教師型分類を用いて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-04-07T11:08:31Z) - Removing Distortion Effects in Music Using Deep Neural Networks [12.497836634060569]
本稿では,音楽制作のためのギタートラックに適用される歪みやクリップの除去に焦点をあてる。
これは、このタスクにおける異なるディープニューラルネットワーク(DNN)アーキテクチャの比較研究を示す。
歪み信号に対するクリーン信号を重畳する効果に対して,DNNを用いた歪み除去において,優れた結果が得られる。
論文 参考訳（メタデータ） (2022-02-03T16:26:29Z) - DiffSinger: Diffusion Acoustic Model for Singing Voice Synthesis [53.19363127760314]
DiffSingerは、音楽スコアで調整されたメログラムにノイズを反復的に変換するパラメータ化されたマルコフチェーンです。
中国の歌唱データセットで行った評価は、DiffSingerが最先端のSVSワークを顕著な差で上回っていることを示している。
論文 参考訳（メタデータ） (2021-05-06T05:21:42Z) - Real Time Speech Enhancement in the Waveform Domain [99.02180506016721]
本稿では,ラップトップCPU上でリアルタイムに動作する生波形を用いた因果音声強調モデルを提案する。
提案モデルは、スキップ接続を持つエンコーダデコーダアーキテクチャに基づいている。
静止ノイズや非定常ノイズを含む様々な背景ノイズを除去することができる。
論文 参考訳（メタデータ） (2020-06-23T09:19:13Z)
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。