論文の概要: The Algorithmic Flattening of Sound: Computational Evidence and Justice Implications of AI Music Homogenization
- arxiv url: http://arxiv.org/abs/2608.06106v1
- Date: Thu, 06 Aug 2026 14:40:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.932289
- Title: The Algorithmic Flattening of Sound: Computational Evidence and Justice Implications of AI Music Homogenization
- Title（参考訳）: 音のアルゴリズム的フレーテニング:AI音楽均質化の計算的エビデンスと正義的意味
- Abstract要約: 我々は4つのジャンル(アフロビーズ、Kポップ、ダンスポップ、ヘビーメタル)にまたがる2つの商業展開システムを監査する。
音楽情報検索機能72と分散,冗長性,分離性の複数の診断機能を用いて,各システムとジャンルごとに100トラックを生成し,同等の大きさのヒトコーパスと比較する。
その結果、2つの構造的に異なる均質化傾向が示され、リアは内部の音響的多様性を減少させ、スノは内部の拡散を圧縮せずにジャンル間の音響的区別を崩壊させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper audits whether large-scale generative music systems exhibit measurable musical homogenization relative to human-produced music, and develops a justice-centered account of why this matters. We audit two commercially deployed systems (Suno and Lyria 3) across four genres (Afrobeats, K-pop, Dance Pop, and Heavy Metal). For each system and genre, we generate 100 tracks and compare them against human corpora of equal size, using 72 music information retrieval (MIR) features and multiple diagnostics of dispersion, redundancy, and separability. We define homogenization as reduced acoustic variation in standard computational audio features including rhythm and timing, timbre/spectral shape, and dynamics, both within genres and across genre boundaries. We also generate tracks using only a genre name as the prompt, with no additional instructions, to reveal each system's default musical tendencies. The results show two structurally distinct homogenizing tendencies. Lyria reduces within-genre acoustic diversity, while Suno collapses the acoustic distinctions between genres without compressing within-genre spread. Neither system follows user prompts faithfully, indicating that the observed patterns reflect learned priors rather than prompt constraints. The two systems do not converge on a common acoustic profile and are more acoustically distant from each other than two random human subsamples would typically be. Nevertheless, a standard classifier distinguishes AI from human tracks near-perfectly on MIR features alone. We argue that these patterns matter not as an aesthetic curiosity but as a justice-relevant condition, shaping which musical styles become legible, valued, and economically rewarded as generated outputs increasingly circulate at scale.
- Abstract（参考訳）: 本稿では,人為的な音楽に対して,大規模生成系が可測な音楽均質化を示すか否かを検証し,それがなぜ重要なのかを考察する。
我々は4つのジャンル(アフロビート、Kポップ、ダンスポップ、ヘビーメタル)にまたがる2つの商業展開システム(SunoとLyria3)を監査する。
各システムとジャンルについて, 72の音楽情報検索機能と分散, 冗長性, 分離性の複数の診断機能を用いて, 100トラックを生成し, 同等の大きさのコーパスと比較する。
我々は,同種化を,リズムとタイミング,音色/スペクトル形状,ダイナミックスなどの標準計算音声特徴における,ジャンル内およびジャンル内における音響的変化の低減として定義する。
また、ジャンル名のみをプロンプトとして、追加命令なしでトラックを生成して、各システムのデフォルトの音楽傾向を明らかにする。
結果は2つの構造的に異なる同質化傾向を示した。
リアは内部の音響的多様性を減らし、スノは内部の拡散を圧縮せずにジャンル間の音響的区別を崩壊させる。
どちらのシステムもユーザの指示に忠実に従わず、観察されたパターンが制約よりも学習前のことを反映していることを示す。
2つのシステムは共通の音響プロファイルに収束せず、2つのランダムな人間のサブサンプルよりも音響的に互いに離れている。
それでも、標準的な分類器は、AIと人間のトラックをMIR機能だけでほぼ完璧に区別する。
これらのパターンは審美的好奇心ではなく、公正な条件として重要であり、大規模に循環する生成出力として、どの音楽スタイルが正当性、評価され、経済的に報われるかを形成する。
関連論文リスト
- Understanding Human Perception of Music Plagiarism Through a Computational Approach [4.404667592877916]
類似性分析では,メロディ,リズム,コード進行という3つの音楽的特徴に着目した。
LLM-as-a-judgeフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-05T22:37:19Z) - Tempo as the Stable Cue: Hierarchical Mixture of Tempo and Beat Experts for Music to 3D Dance Generation [62.82943523102]
音楽から3Dのダンス生成は、リアルでリズミカルに同期された人間のダンスを音楽から合成することを目的としている。
本研究では,階層的なテンポ認識型Mixture-of-ExpertsモジュールであるTempoMoEを提案する。
本研究では,TempoMoEがダンスの質とリズムアライメントを実現することを示す。
論文 参考訳（メタデータ） (2025-12-21T16:57:08Z) - SAM Audio: Segment Anything in Audio [55.50609519820557]
一般的なオーディオソース分離は、マルチモーダルAIシステムにとって重要な機能である。
本稿では,一般的な音声分離のための基礎モデルであるSAM Audioを紹介する。
テキスト、ビジュアル、タイムスパンを単一のフレームワーク内で統合する。
論文 参考訳（メタデータ） (2025-12-19T22:14:23Z) - Evaluation of pretrained language models on music understanding [0.0]
その結果, 言語モデル(LLM)は, 1) アクセシビリティ, 2) 否定をモデル化できないこと, 3) 特定の単語の存在に対する感受性に悩まされていることがわかった。
我々はこれらの特性を三重項に基づく精度として定量化し、階層的オントロジーにおいてラベルの相対的類似性をモデル化する能力を評価した。
比較的高い精度が報告されているにもかかわらず、6つのモデルすべてに矛盾があることは明らかであり、既製のLLMは使用前に音楽に適応する必要があることを示唆している。
論文 参考訳（メタデータ） (2024-09-17T14:44:49Z) - Quantifying the Corpus Bias Problem in Automatic Music Transcription Systems [3.5570874721859016]
AMT(Automatic Music Transcription)は、音楽の音声録音における音符認識のタスクである。
我々は、音楽と音の2つの主要な分布シフト源を同定する。
2つの新しい実験セットにおいて,複数のSotA AMTシステムの性能評価を行った。
論文 参考訳（メタデータ） (2024-08-08T19:40:28Z) - Generating High-quality Symbolic Music Using Fine-grained Discriminators [42.200747558496055]
本稿では,メロディとリズムを音楽から分離し,それに対応する微粒な識別器を設計することを提案する。
具体的には、ピッチ増強戦略を備えるメロディ判別器は、生成されたサンプルによって提示されるメロディ変動を識別する。
バーレベルの相対的な位置エンコーディングで強化されたリズム判別器は、生成された音符の速度に焦点を当てる。
論文 参考訳（メタデータ） (2024-08-03T07:32:21Z) - Between the AI and Me: Analysing Listeners' Perspectives on AI- and Human-Composed Progressive Metal Music [1.2874569408514918]
我々は,ロックミュージックをコントロールグループとして利用し,AIと人為的に生成するプログレッシブメタルに対する参加者の視点を探る。
本稿では,世代タイプ(人間対AI),ジャンル(プログレッシブメタル対ロック),キュレーションプロセス(ランダム対チェリーピック)の効果を評価するための混合手法を提案する。
本研究は,AI音楽生成におけるジャンル別特化を実現するために,ファインチューニングを用いたことを検証する。
人間の音楽に類似した評価を受けるAI生成の抜粋はいくつかあったが、聴取者は人間の作曲を好んだ。
論文 参考訳（メタデータ） (2024-07-31T14:03:45Z) - 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) - Genre-conditioned Acoustic Models for Automatic Lyrics Transcription of
Polyphonic Music [73.73045854068384]
本稿では,新ジャンルネットワークを用いたポリフォニック音楽の歌詞の書き起こしを提案する。
提案するネットワークは,事前学習されたモデルパラメータを採用し,階層間のジャンルアダプタを組み込んで,歌詞とジャンルのペアのジャンルの特色を抽出する。
実験の結果,提案するジャンル条件付きネットワークは既存の歌詞の書き起こしシステムよりも優れていた。
論文 参考訳（メタデータ） (2022-04-07T09:15:46Z) - Quantized GAN for Complex Music Generation from Dance Videos [48.196705493763986]
D2M-GAN(Dance2Music-GAN, D2M-GAN, D2M-GAN)は、ダンスビデオに条件付けされた楽曲のサンプルを生成する新しいマルチモーダルフレームワークである。
提案フレームワークは,ダンスビデオフレームと人体の動きを入力とし,対応する入力に付随する音楽サンプルを生成することを学習する。
論文 参考訳（メタデータ） (2022-04-01T17:53:39Z) - 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)
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。