論文の概要: Fretiq: Browser-Native Electric Guitar String Classification via Engineered Spectral Features and Held-Out Free-Play Evaluation
- arxiv url: http://arxiv.org/abs/2607.18303v1
- Date: Fri, 17 Jul 2026 03:06:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.172923
- Title: Fretiq: Browser-Native Electric Guitar String Classification via Engineered Spectral Features and Held-Out Free-Play Evaluation
- Title（参考訳）: Fretiq: エンジニアによるスペクトル特徴とヘルドアウトフリープレイ評価によるブラウザネイティブ電気ギター文字列分類
- Abstract要約: Fretiqは、プリミティブなシングルストラクチャ、シングルプレイヤーのブラウザベースの文字列分類システムである。
97.1%のシャッフルフレームレベルの検証精度を322,215フレームで達成している。
システムは、ヘキサフォニックピックアップ、フレットボードセンサー、カメラ、マルチマイクロフォンのセットアップを必要とせずに、完全にブラウザ内で動作する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying which string produces a given pitch in monophonic electric guitar audio is a fundamental classification challenge: a single pitch can often be produced on multiple strings at different fret positions, with timbral differences that prior listening studies confirm are largely imperceptible to untrained humans. Existing approaches using support vector machines and spectral envelope features have achieved F-measures of 0.90 for six-string electric guitar classification, while String-Inverse Frequency features in earlier work achieved F1 scores up to 0.72. We present Fretiq, a preliminary single-instrument, single-player browser-based string classification system built on a 26-dimensional feature representation integrating frequency band energies, spectral statistics, and 13 Mel-Frequency Cepstral Coefficients, achieving 97.1% shuffled frame-level validation accuracy across 322,215 balanced frames. An ablation study identifies MFCCs as the primary accuracy driver (92.2% to 97.1%). We additionally introduce Comparison Training -- a data collection methodology in which adjacent open-string and fifth-fret string pairs are recorded in deliberate alternation -- and evaluate its contribution via confusion matrix analysis. Comparison Training reduces the D3 to A2 frame-level confusion rate by 44% but shows mixed results on other targeted pairs. A held-out free-play evaluation on 103,000 frames yields 87.8% overall accuracy. We describe the feature extraction pipeline in both Python and TypeScript to guarantee training-inference parity, and document two critical implementation failure modes. The system runs entirely in-browser with no hexaphonic pickup, fretboard sensor, camera, or multi-microphone setup required.
- Abstract（参考訳）: モノフォニック・エレクトリック・ギター・オーディオにおいて、どの弦が与えられたピッチを生成するかを特定することは、基本的な分類の課題である: 単一のピッチは、異なるフレット位置の複数の弦でしばしば生成されるが、先行聴取実験で確認された音節差は、ほとんど訓練されていない人間には認識できない。
既存のサポートベクターマシンとスペクトルエンベロープを用いたアプローチでは、6弦のエレキギターの分類ではF値が0.90となり、初期の作業では弦-逆周波数が最大0.72となった。
周波数帯エネルギー,スペクトル統計,13メル周波数ケプストラル係数を統合し,322,215フレームのフレームレベル検証精度を97.1%向上させる。
アブレーション調査では、MFCCが主要な精度ドライバである(92.2%から97.1%)。
また、隣接したオープンストリングと5フレットの文字列ペアを意図的に交互に記録するデータ収集手法である比較トレーニングを導入し、その寄与を混乱行列解析により評価する。
比較トレーニングは、D3からA2フレームレベルの混乱率を44%削減するが、他のターゲットペアに対して混合結果を示す。
103,000フレームのフリープレイ評価は87.8%の精度が得られる。
トレーニング-推論パリティを保証するため、PythonとTypeScriptの両方で機能抽出パイプラインを説明し、2つの重要な実装障害モードを文書化する。
このシステムは、ヘキサフォニックピックアップ、フレットボードセンサー、カメラ、マルチマイクロフォンのセットアップを必要とせずに、完全にブラウザ内で動作する。
関連論文リスト
- Playability-Aware Audio-to-Tablature Guitar Transcription via Diffusion Models [0.0]
Noise2Fret は、離散的なフレットと文字列のターゲットの潜在表現を通して表象を生成するオーディオ・ツー・タブレチャの拡散モデルである。
Pitch-Class Distance, positional Distance, Circle-of-Fifths Distance, String similarity, Hand-Span Feasibility の5つの補助的損失をトレーニング対象に直接導入する。
GuitarSetとGOATデータセットの実験は、モデルが計算効率を保ちながらベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2026-08-31T14:16:33Z) - STRUM: A Spectral Transcription and Rhythm Understanding Model for End-to-End Generation of Playable Rhythm-Game Charts [0.0]
我々は、生録音をドラム、ギター、ベース、ボーカル、キーのための再生可能なクローンヒーローチャートに変換する、オーディオからチャートへのパイプラインSTRUMを提示する。
我々は,7つのドラム・ピペリン成分の完全アブレーションとペアリングしたウィルコクソン試験,コミュニティクローン・ヒーロー・チャートにおける地中時間分布の解析,およびドラムのクラスごとの混乱行列について報告する。
論文 参考訳（メタデータ） (2026-05-12T13:56:09Z) - SEER: Spectral Entropy Encoding of Roles for Context-Aware Attention-Based Design Pattern Detection [0.0]
本稿では,ソースコードからGang of Four(GoF)デザインパターンを検出するために,従来のContext Is All You Needのアップグレード版を提案する。
SEERはこれらの制限に、(i)各クラスの相互作用グラフのラプラシアンスペクトルからメンバーごとのロール埋め込みを導出するスペクトルエントロピーロールエンコーダ、(ii)メソッドカテゴリに経験的校正期間を割り当てる時間重呼出コンテキストの2つの原則で対処する。
PyDesignNet上のSEER(1,832ファイル、35,000のシーケンス、23のGoFパターン)を評価し、以前のシステムよりも一貫した利得を観察する。
論文 参考訳（メタデータ） (2026-01-19T19:13:40Z) - Lightweight Self-Supervised Detection of Fundamental Frequency and Accurate Probability of Voicing in Monophonic Music [0.0]
本稿では,F0推定とVoicing推論のための軽量で完全自己教師型フレームワークを提案する。
提案手法は競争力のあるクロスコーパス性能(RPA 95.84, RCA 96.24)を実現し,クロスインストラクトの一般化を実証する。
論文 参考訳（メタデータ） (2026-01-16T20:46:33Z) - LadderSym: A Multimodal Interleaved Transformer for Music Practice Error Detection [6.949059287049708]
本稿では,新しい音楽誤り検出手法であるtextitLadderSymを紹介する。
textitLadderSymは、最先端のアプローチに関する2つの重要な観察によって導かれる。
我々は,各ノートカテゴリのF1スコアを測定し,textitMAESTRO-E と textitCocoChorales-E データセットについて評価を行った。
論文 参考訳（メタデータ） (2025-09-16T02:15:06Z) - 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) - MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition [62.89464258519723]
異なるレベルのオーディオ/視覚エンコーダに融合することで、各モードの表現を促進する多層クロスアテンション融合に基づくAVSR手法を提案する。
提案手法は第1位システムを超え,新たなSOTA cpCERの29.13%をこのデータセット上に構築する。
論文 参考訳（メタデータ） (2024-01-07T08:59:32Z) - Exploring Meta Information for Audio-based Zero-shot Bird Classification [113.17261694996051]
本研究では,メタ情報を用いてゼロショット音声分類を改善する方法について検討する。
我々は,多種多様なメタデータが利用可能であることから,鳥種を例として用いている。
論文 参考訳（メタデータ） (2023-09-15T13:50:16Z) - Audio Deepfake Detection Based on a Combination of F0 Information and
Real Plus Imaginary Spectrogram Features [51.924340387119415]
ASVspoof 2019 LAデータセットの実験結果から,提案手法はオーディオディープフェイク検出に非常に有効であることがわかった。
提案方式は音声深度検出作業に非常に有効であり,ほぼ全てのシステムにまたがる等価誤差率(EER)が0.43%に達する。
論文 参考訳（メタデータ） (2022-08-02T02:46:16Z) - Low-complexity deep learning frameworks for acoustic scene
classification [64.22762153453175]
音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。
提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。
DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
論文 参考訳（メタデータ） (2022-06-13T11:41:39Z) - S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。
提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。
提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文 参考訳（メタデータ） (2021-11-22T15:49:20Z) - VATT: Transformers for Multimodal Self-Supervised Learning from Raw
Video, Audio and Text [60.97904439526213]
video-audio-text transformer (vatt) は生の信号を入力として取り、様々な下流タスクに役立つほどリッチなマルチモーダル表現を抽出する。
マルチモーダルなコントラスト損失を用いて,vattのエンドツーエンドをスクラッチからトレーニングし,映像動作認識,音声イベント分類,画像分類,テキストからビデオへの検索といった下流タスクによってその性能を評価する。
論文 参考訳（メタデータ） (2021-04-22T17:07:41Z)
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。