論文の概要: Agogic: Performance-Timed Music Tokens for LLM-Native Text-to-Symbolic-Music Generation

• arxiv url: http://arxiv.org/abs/2608.03999v1
• Date: Tue, 04 Aug 2026 17:56:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 17:47:10.520239
• Title: Agogic: Performance-Timed Music Tokens for LLM-Native Text-to-Symbolic-Music Generation
• Title（参考訳）: Agogic: LLM-Native Text-to-Symbolic-Music 生成のためのパフォーマンスタイム音楽トークン
• Abstract要約: テキスト・ツー・ミュージック言語モデルにおける音楽のトークン化の効果を計測する。 7つのトークン化で表現を交換し、テクスチャメトリクスを各表現のモデルフリー天井に固定します。 私たちがリリースしたパフォーマンスレゾリューションストリームである PMT は 0.8B で FMD 159 に到達し、ビートグリッドは 272-286 で、ビートグリッドは 1.7-1.8x で、他の場所では 2.8 倍、非オーバーラップブートストラップ CI で 0.8B のパフォーマンスレゾリューションモデルは 27B ビートグリッドを上回ります。
• 参考スコア（独自算出の注目度）: 27.00404998707037
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Text-to-music language models begin with a choice usually made by default: how to tokenize music. Normally entangled with backbone, data, and recipe, its effect has never been measured in isolation. We fix pretrained Qwen3.5 (0.8B-27B), data, budget, and decoding, and swap only the representation across seven tokenizations, anchoring texture metrics to each representation's model-free ceiling. The ordering is clean and surprising: representation, not model size, is the binding variable for distributional fidelity. Scaling the backbone 34x barely moves Frechet Music Distance (FMD), whereas switching representation halves it. PMT, a performance-resolution stream we release (10 ms timing, per-note velocity, multi-track texture; 609 symbols), reaches FMD 159 at 0.8B against 272-286 for beat grids (1.7-1.8x lower, up to 2.8x elsewhere; non-overlapping bootstrap CIs), so a 0.8B performance-resolution model beats a 27B beat grid. It reappears on a 26M from-scratch backbone and a second performance-resolution tokenizer: a property of the class, not one lucky vocabulary. Nor is it a finer-lattice artifact: snapping PMT's onsets to the beat grids' resolution still leaves it 67-129 FMD ahead of both (n=500). The effect is distributional; whether it is audible is a separate question, left open by our probe, with a human study pre-registered. Native caption adherence is weak but separable: a lightweight decode-time constraint doubles instrument-F1 (.28 to .60) and Correct-Key (.16 to .35) at no distributional cost. We release the harness, 25+ checkpoints, two corpora (86.6k aligned across caption/MIDI/ABC/audio; 6.25M captioned, the largest for music), and an imprinting diagnostic: published text-to-MIDI systems reproduce their training distribution near-invariant to the caption (72% vs. 71% chord-time on disjoint domains). The field's next representation claim can now be measured, not asserted.
• Abstract（参考訳）: テキストから音楽までの言語モデルは通常、音楽のトークン化方法というデフォルトの選択から始まります。 通常、バックボーン、データ、レシピが絡まっており、その効果は単独で測定されることは一度もない。 事前訓練されたQwen3.5(0.8B-27B)、データ、予算、デコードを修正し、表現のみを7つのトークン化にスワップし、各表現のモデルフリー天井にテクスチャメトリクスを固定する。 表現はモデルのサイズではなく、分布の忠実性に対する結合変数である。 バックボーン34xのスケーリングは、Frechet Music Distance (FMD) をほとんど動かさないが、表現の切り替えはそれを半減させる。 PMTは、我々がリリースしたパフォーマンスレゾリューションストリーム(10msタイミング、ノートごとのベロシティ、マルチトラックテクスチャ、609シンボル)で、ビートグリッドのFMD 159に到達し、ビートグリッドの272-286(1.7-1.8x以下、その他2.8倍まで、非オーバーラップブートストラップCI)である。 1つのラッキーな語彙ではなく、26Mのバックボーンと2番目のパフォーマンスレゾリューション・トークンーザに再び現れる。 PMTのオンセットをビートグリッドの解像度にスナップすると、どちらも(n=500)67-129 FMDになる。 この効果は分布的であり、聴覚が別個の質問であるかどうかについては、人間の研究が事前登録されている。 軽量のデコード時間制約は、F1(.28 - .60)とCorrect-Key(.16 - .35)を分散コストなしで倍増させる。 我々は,ハーネス,25以上のチェックポイント,2つのコーパス(キャプション/MIDI/ABC/audioにまたがる86.6k,6.25Mキャプション,音楽で最大),およびインプリント診断(インプリント診断:テキストからMIDIシステム)を,キャプションにほぼ不変なトレーニング分布(不随伴ドメインで72%対71%コードタイム)で再現する。 フィールドの次の表現クレームは、アサートされずに測定できる。

関連論文リスト

• Qwen-MusicAVQA-7B: A Multimodal Model for Music Audio-Visual QA [0.0]
  音楽音声・視覚的質問応答において,軽量な代替手段が有効であることを示す。 Qwen-MusicAVQA-7Bは、学習された線形射影を通して凍結したウィスパーエンコーダをQwen2-VL-7B-Instructに接続する。
  論文  参考訳（メタデータ） (2026-08-11T18:28:30Z)
• How Far Can Chord-Symbol Time-Series Adaptation Carry Genre Identity? Capabilities and Boundaries in Multi-Genre Chord-Symbol Modeling [0.0]
  本報告は、ジャンル局所調和モデルのための解釈可能な、制御可能な時系列としてコード記号列を扱う。 主な評価は、LoRA、IA3、BitFit、プレフィックスチューニング、11のジャンルと3つのシードの完全な微調整、完全な165セルグリッドである。 コード記号適応は、ジャンルの局所的な調和予測を確実に改善するが、コード記号だけでは完全なジャンルの同一性は持たない。
  論文  参考訳（メタデータ） (2026-06-05T14:49:24Z)
• 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)
• Rubato: Transcribing Piano Music with Timestamps [47.76733897717644]
  タイムスタンプを付加した人間可読シート音楽への音楽録音の変換について検討する。 本稿では,(1)ポリフォニック音楽の新しいテキスト表現であるInterMoの出力を訓練した,Rubatoというプロンプト条件付きエンコーダデコーダモデルを紹介する。 実験により, ルバトは, 音符の精度を最良なアプローチよりも高め, タイムスタンプ付きピアノ楽譜を音声から生成できることが実証された。
  論文  参考訳（メタデータ） (2026-05-22T23:47:21Z)
• Transcoda: End-to-End Zero-Shot Optical Music Recognition via Data-Centric Synthetic Training [13.569431145803792]
  i) 高度な合成データ生成パイプライン上に構築されたOMRシステムであるTranscoda, (ii) 独自の正規形式を強制する*kernエンコーディングの正規化, (iii) 出力の構文的正しさを保証する文法に基づく復号化を提案する。 Transcodaは18.46%のOMR-NED(次のベストシステムであるLegotoで43.91%に比較)で新たにキュレートされたOMR-NED(OMR-NED)のベンチマークで、過去のポーランドのスキャンのエラー率を63.97%に下げた。
  論文  参考訳（メタデータ） (2026-05-11T16:50:28Z)
• Beyond Next-Token: Next-X Prediction for Autoregressive Visual Generation [34.112157859384645]
  自己回帰(AR)モデリングは、最先端の言語と視覚的生成モデルを支える。 伝統的に、トークン'' は最小の予測単位として扱われ、しばしば言語における離散的なシンボルまたは視覚における量子化されたパッチとして扱われる。 トークンの概念をエンティティXに拡張するフレームワークであるxARを提案する。
  論文  参考訳（メタデータ） (2025-02-27T18:59:08Z)
• Prune Spatio-temporal Tokens by Semantic-aware Temporal Accumulation [89.88214896713846]
  STAスコアは、時間的冗長性と意味的重要性の2つの重要な要因を考慮に入れている。 市販のビデオトランスフォーマーとビデオウィンにSTAモジュールを適用する。 結果: Kinetics-400 と something-Something V2 は 30% のオーバーシェルフ削減を実現し,0.2% の精度低下を実現した。
  論文  参考訳（メタデータ） (2023-08-08T19:38:15Z)
• 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)
• 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)
• Noise2Music: Text-conditioned Music Generation with Diffusion Models [73.74580231353684]
  本研究では,テキストプロンプトから高品質な30秒音楽クリップを生成するために,一連の拡散モデルを訓練するNoss2Musicを紹介する。 生成した音声は、ジャンル、テンポ、楽器、ムード、時代など、テキストプロンプトの重要な要素を忠実に反映できるだけでなく、テキストプロンプトを忠実に反映できる。 トレーニングセットのオーディオのためにペア化されたテキストを生成し、拡散モデルによって取り込まれたテキストプロンプトの埋め込みを抽出するために使用される。
  論文  参考訳（メタデータ） (2023-02-08T07:27:27Z)
• Audio-to-symbolic Arrangement via Cross-modal Music Representation Learning [11.247238840604282]
  優れたアレンジモデルは、オーディオコンテンツだけでなく、ピアノ構成に関する事前知識も考慮すべきである。 音声から和音と旋律情報を抽出するクロスモーダル表現学習モデルを提案する。 実験により,本モデルが主要な音声情報をキャプチャし,生成品質においてベースラインを上回ることを示す。
  論文  参考訳（メタデータ） (2021-12-30T16:05:30Z)

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。