論文の概要: How Much AI Is in This Track? Quantifying the Proportion of AI-Generated Stems in Hybrid Music Mixtures
- arxiv url: http://arxiv.org/abs/2608.07285v1
- Date: Fri, 07 Aug 2026 14:46:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.533848
- Title: How Much AI Is in This Track? Quantifying the Proportion of AI-Generated Stems in Hybrid Music Mixtures
- Title（参考訳）: このトラックにAIはいくらあるか? ハイブリッド音楽ミックスにおけるAI生成ステムの分布の定量化
- Abstract要約: 現在のAI音楽検出システムはバイナリであり、トラックを完全なAIまたは完全な人間として扱う。
連続AIエネルギー比における回帰問題として,AI音楽検出を[0, 1]でαに再構成する。
我々は、同様のCNNベースのアルファ回帰モデルをトレーニングし、同一パイプラインからの保留混合物上でMAE = 0.076とR2 = 0.85を達成する。
- 参考スコア（独自算出の注目度）: 39.04964205178628
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-generated music is increasingly used at the stem level, with producers integrating synthetic drums, basslines, or vocals alongside human-performed instruments. However, current AI music detection systems are binary, treating tracks as either fully AI or fully human. In this paper, we reformulate AI music detection as a regression problem on a continuous AI energy ratio, alpha in [0, 1]. We propose a methodology that leverages a multi-track music dataset to assemble mixtures of human-performed and AI-reconstructed stems (obtained using a neural audio codec) with known proportions of each content type. Using this approach, we first show that a CNN-based model trained on fully AI-generated or human-performed tracks, which achieves >99% accuracy as a binary detector, when faced with mixed content, yields an output that rises with the AI stems' energy contribution, acting as a noisy and miscalibrated estimator. Our analysis of the influence of different stems shows that detection sensitivity depends on the instrument and reflects its frequency content: drums and guitar carry strong codec-artifact signatures, while vocals and bass are less detectable. Based on these insights, we train a similar CNN-based model for regression of alpha, achieving MAE = 0.076 and R^2 = 0.85 on held-out mixtures from the same pipeline. These results suggest that the regression formulation is an initial promising step towards AI-music detection in realistic music production workflows.
- Abstract（参考訳）: AIが生成する音楽は、合成ドラム、ベースライン、ボーカルを人間の演奏する楽器と組み合わせることで、茎のレベルでますます使われるようになっている。
しかし、現在のAI音楽検出システムはバイナリであり、トラックを完全なAIまたは完全な人間として扱う。
本稿では,[0, 1] における連続 AI エネルギー比の回帰問題として,AI 音楽検出を再構成する。
本稿では、マルチトラック音楽データセットを利用して、人間の演奏とAI再構成された茎の混合物(ニューラルオーディオコーデックで得られる)を、各コンテンツタイプの既知比率で組み立てる手法を提案する。
このアプローチを用いることで、CNNベースのモデルが、完全AI生成または人為的性能のトラックでトレーニングされ、混合コンテンツに直面した場合、99%の精度でバイナリ検出器として達成され、AIステムのエネルギーコントリビューションに起因した出力が生成され、ノイズおよび誤算推定器として機能することを示す。
本研究は,ドラムとギターは強いコーデック・アーティファクトのシグネチャを持ち,ボーカルとベースは検出不能である。
これらの知見に基づいて、我々は、同様のCNNベースのα回帰モデルをトレーニングし、同じパイプラインから保持された混合物上でMAE = 0.076 と R^2 = 0.85 を達成する。
これらの結果は,レグレッションの定式化が,現実的な音楽制作ワークフローにおけるAI-音楽検出への第一歩であることを示唆している。
関連論文リスト
- Distinguishing AI-Generated Music from Edited Audio as a Hard-Negative Robustness Task [39.146761527401424]
実世界のアップロードは、しばしばリミックス、再エンコード、ピッチシフト、その他編集される。
編集されたバージョンは、AIによって生成されたものではないが、合成オーディオ指紋に似たスペクトルアーティファクトを導入する。
我々は,この問題をAI生成音楽検出の難易度設定として検討し,同じアンカー曲から派生したAI生成・編集変奏曲に着目した。
論文 参考訳（メタデータ） (2026-08-14T22:03:50Z) - HAIM: Human-AI Music Datasets for AI Music Production Tracking Benchmark [1.7034813545878587]
本稿では,音楽制作の段階において,多様なラベルを持つデータセットであるHAIMを紹介する。
最先端検出器の評価により, システム欠陥が明らかとなった。
論文 参考訳（メタデータ） (2026-06-01T04:51:12Z) - From Sound to Setting: AI-Based Equalizer Parameter Prediction for Piano Tone Replication [0.0]
本研究は,音声機能から直接EQパラメータ設定を予測することに焦点を当てた,音楽制作におけるトーン再現のためのAIベースのシステムを提案する。
従来のオーディオ・オーディオ法とは異なり、我々の手法は、ミュージシャンがワークフローでさらに調整できる解釈可能なパラメータ値を出力する。
このシステムは、音楽プロデューサーのための実用的で柔軟で自動化されたトーンマッチングを可能にし、より複雑なオーディオ効果への拡張の基礎を築き上げている。
論文 参考訳（メタデータ） (2025-09-29T07:50:28Z) - Improving AI-generated music with user-guided training [0.0]
画像生成アルゴリズムは、新しい音楽を生成するために応用することができる。
これらのアルゴリズムは通常、固定データセットに基づいて訓練される。
本稿では,ユーザインタラクションに基づくアルゴリズムの性能向上のためのヒューマン・コンピューティング手法を提案する。
論文 参考訳（メタデータ） (2025-06-05T10:22:54Z) - Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing [55.2480439325792]
本研究では、AI-Polished-Text Evaluationデータセットを用いて、12の最先端AIテキスト検出器を体系的に評価する。
我々の発見によると、検出器は、最小限に洗練されたテキストをAI生成としてフラグ付けし、AIの関与度を区別し、古いモデルや小さなモデルに対するバイアスを示す。
論文 参考訳（メタデータ） (2025-02-21T18:45:37Z) - SongGen: A Single Stage Auto-regressive Transformer for Text-to-Song Generation [75.86473375730392]
SongGenは、コントロール可能な曲を生成するための、完全なオープンソースでシングルステージの自動回帰トランスフォーマーである。
音声と伴奏の混合を生成する混合モードと、それらを別々に合成するデュアルトラックモードの2つの出力モードをサポートする。
コミュニティの関与と今後の研究を促進するため、私たちは、モデルの重み付け、トレーニングコード、注釈付きデータ、前処理パイプラインをリリースします。
論文 参考訳（メタデータ） (2025-02-18T18:52:21Z) - Estimating Musical Surprisal in Audio [4.056099795258358]
シンボリック・ミュージックにおけるサブプライムのプロキシとしての自己回帰モデルからのワンステップ予測の情報コンテンツ(IC)
我々は、事前訓練されたオートエンコーダネットワークの圧縮遅延音声表現を予測するために、自己回帰変換モデルを訓練する。
音声・音楽の特徴とICの関係について検討し,音節の変動や声の大きさと相関し,低音域,不協和性,リズムの複雑度,および音声・音楽の特徴に関連するオンセット密度を推定した。
論文 参考訳（メタデータ） (2025-01-13T16:46:45Z) - 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) - A Sanity Check for AI-generated Image Detection [49.08585395873425]
我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。
AIDEは最先端の手法を+3.5%、+4.6%改善した。
論文 参考訳（メタデータ） (2024-06-27T17:59:49Z) - ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。
ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
論文 参考訳（メタデータ） (2022-06-14T17:09:35Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - VaPar Synth -- A Variational Parametric Model for Audio Synthesis [78.3405844354125]
本稿では,条件付き変分オートエンコーダ(CVAE)を用いた変分パラメトリックシンセサイザVaPar Synthを提案する。
提案するモデルの性能は,ピッチを柔軟に制御した楽器音の再構成と生成によって実証する。
論文 参考訳（メタデータ） (2020-03-30T16:05:47Z)
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。