論文の概要: MusicLayout: Explicit Structural Planning for Controllable Text-to-Music Generation

• arxiv url: http://arxiv.org/abs/2608.09035v1
• Date: Mon, 10 Aug 2026 02:38:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.042872
• Title: MusicLayout: Explicit Structural Planning for Controllable Text-to-Music Generation
• Title（参考訳）: MusicLayout: 制御可能なテキスト・ツー・ミュージック・ジェネレーションのための明示的な構造計画
• Abstract要約: 本稿では,テキスト・ツー・ミュージック・ジェネレーションにおける音楽構造制御の明示的な表現である音楽を紹介する。 音楽は、楽曲をセクション、テクスチャ、反復、変奏曲、楽器レベルの配置のタイムアラインなレイアウトとして記述している。 我々はMusicを、統一された自己回帰モデルに基づいて構築されたテキストから音楽へのフレームワークに統合する。
• 参考スコア（独自算出の注目度）: 25.846252408866295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-music generation has advanced rapidly, but current systems still rely primarily on global text prompts, leaving the structural organization of generated music implicit and difficult to inspect, control, or revise before audio generation. To address this issue, we introduce MusicLayout, an explicit intermediate representation for controlling musical structure in text-to-music generation. MusicLayout describes a musical piece as a time-aligned layout of sections, textures, repetitions, variations, and instrument-level arrangements, serving as an interpretable planning layer between textual intent and the generated music. We integrate MusicLayout into a text-to-music framework built on a unified autoregressive formulation, where the model first generates a MusicLayout representation and subsequently predicts audio tokens conditioned on this representation within a single sequence. The resulting MusicLayout can be inspected and modified prior to audio generation, providing a mechanism for layout-level structural control. We evaluate MusicLayout through layout-conditioned generation, layout manipulation experiments, and matched-data ablations, providing evidence that explicit layout planning can improve long-range structural organization and support layout-level control.
• Abstract（参考訳）: テキスト・ツー・ミュージック・ジェネレーションは急速に進歩しているが、現在のシステムは依然として主にグローバルなテキストプロンプトに依存しており、生成した音楽の構造的構造は暗黙的であり、オーディオ・ジェネレーションの前に検査、制御、修正が困難である。 この問題に対処するために、テキストから音楽生成における音楽構造を制御するための明示的な中間表現であるMusicLayoutを紹介する。 MusicLayoutは、楽曲をセクション、テクスチャ、繰り返し、変奏曲、楽器レベルの配置のタイムアラインなレイアウトとして記述し、テキスト意図と生成された音楽の間の解釈可能な計画層として機能する。 我々は、MusicLayoutを統一された自己回帰式上に構築したテキストから音楽へのフレームワークに統合し、まずモデルがMusicLayout表現を生成し、その後、この表現に条件付けられた音声トークンを単一のシーケンスで予測する。 結果のMusicLayoutは、オーディオ生成に先立って検査および修正が可能であり、レイアウトレベルの構造制御のメカニズムを提供する。 レイアウト条件付き生成、レイアウト操作実験、マッチングデータ短縮によるMusicLayoutの評価を行い、明示的なレイアウト計画が長距離構造構造を向上し、レイアウトレベルの制御をサポートすることを示す。

関連論文リスト

• 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)
• Diff-TONE: Timestep Optimization for iNstrument Editing in Text-to-Music Diffusion Models [13.29289368130043]
  本稿では,既存のテキスト・音楽拡散モデルの楽器編集への応用について検討する。 具体的には、既存のオーディオトラックに対して、事前訓練されたテキストから音楽への拡散モデルを利用して、基礎となるコンテンツを保存しながら、楽器を編集することを目的とする。 本手法では,テキストから音楽への拡散モデルのさらなる学習は必要とせず,生成過程の速度を損なうこともない。
  論文  参考訳（メタデータ） (2025-06-18T15:01:25Z)
• Synthesizing Composite Hierarchical Structure from Symbolic Music Corpora [32.18458296933001]
  構造時間グラフ(STG)と呼ばれる音楽構造の統一的階層的メタ表現を提案する。 シングルピースの場合、STGは、より微細な構造的音楽的特徴の階層構造とそれらの間の時間的関係を定義するデータ構造である。
  論文  参考訳（メタデータ） (2025-02-21T02:32:29Z)
• MusiConGen: Rhythm and Chord Control for Transformer-Based Text-to-Music Generation [19.878013881045817]
  MusiConGenは、一時条件付きトランスフォーマーベースのテキスト-音楽モデルである。 条件信号として自動的に抽出されたリズムとコードを統合する。 MusiConGenは,特定の条件に整合したリアルなバックトラック音楽を生成することができることを示す。
  論文  参考訳（メタデータ） (2024-07-21T05:27:53Z)
• MuseBarControl: Enhancing Fine-Grained Control in Symbolic Music Generation through Pre-Training and Counterfactual Loss [51.85076222868963]
  制御信号と対応する音楽トークンを直接リンクする事前学習タスクを導入する。 次に、生成した音楽と制御プロンプトとの整合性を向上する新たな対実的損失を実現する。
  論文  参考訳（メタデータ） (2024-07-05T08:08:22Z)
• Structure-informed Positional Encoding for Music Generation [0.0]
  トランスフォーマーを用いた音楽生成のための構造インフォームド位置符号化フレームワークを提案する。 我々は、次のステップ予測と伴奏生成という2つのシンボリックな音楽生成タスクでそれらをテストした。 提案手法は, 生成した部品の旋律的および構造的整合性を改善する。
  論文  参考訳（メタデータ） (2024-02-20T13:41:35Z)
• A Parse-Then-Place Approach for Generating Graphic Layouts from Textual Descriptions [50.469491454128246]
  我々は、図形レイアウト、すなわちテキストからラベルへのレイアウトを作成するためのガイダンスとしてテキストを使用し、設計障壁を低くすることを目的としています。 テキストからラベルへの変換は、テキストからの暗黙的、複合的、不完全な制約を考慮する必要があるため、難しい作業である。 この問題に対処するための2段階のアプローチとして,パース・セイン・プレース(parse-then-place)を提案する。
  論文  参考訳（メタデータ） (2023-08-24T10:37:00Z)
• 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)
• Controllable deep melody generation via hierarchical music structure representation [14.891975420982511]
  MusicFrameworksは階層的な音楽構造表現であり、フル長のメロディを作成するための多段階の生成プロセスである。 各フレーズでメロディを生成するために、2つの異なるトランスフォーマーベースネットワークを用いてリズムとベーシックメロディを生成する。 さまざまな曲をカスタマイズしたり追加したりするために、音楽フレームワークのコード、基本的なメロディ、リズム構造を変更して、それに応じてネットワークがメロディを生成する。
  論文  参考訳（メタデータ） (2021-09-02T01:31:14Z)
• LayoutTransformer: Layout Generation and Completion with Self-attention [105.21138914859804]
  画像やモバイルアプリケーション,ドキュメント,3Dオブジェクトなど,さまざまな領域におけるシーンレイアウト生成の問題に対処する。 レイアウト要素間のコンテキスト的関係を学習するために,自己意識を活用する新しいフレームワークであるLayoutTransformerを提案する。 私たちのフレームワークでは、空のセットから、あるいはプリミティブの最初のシードセットから、新しいレイアウトを生成することができ、レイアウト毎に任意のプリミティブをサポートするために簡単にスケールすることができます。
  論文  参考訳（メタデータ） (2020-06-25T17:56:34Z)

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。