論文の概要: Playability-Aware Audio-to-Tablature Guitar Transcription via Diffusion Models

• arxiv url: http://arxiv.org/abs/2608.30854v1
• Date: Mon, 31 Aug 2026 14:16:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.440041
• Title: Playability-Aware Audio-to-Tablature Guitar Transcription via Diffusion Models
• Title（参考訳）: 拡散モデルによる再生可能性を考慮したオーディオ・トゥ・タブラチュアギターの転写
• Authors: Riccardo Simionato, Louis Bigo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Guitar tablature transcription requires not only accurate pitch detection but also assigning each note to a specific string-fret position, as the same pitch can be played at multiple fretboard positions. Existing approaches treat this as a standard classification problem, ignoring the musical and physical constraints that govern playable fingering sequences. We propose Noise2Fret, a diffusion model for audio-to-tablature transcription that generates tablature through a continuous latent representation of discrete fret and string targets, conditioned on spectral and audio features. To bridge the gap between pitch accuracy and physical playability, we introduce five auxiliary losses encoding Pitch-Class Distance, Positional Distance, Circle-of-Fifths Distance, String Similarity, and Hand-Span Feasibility directly into the training objective. Experiments on GuitarSet and GOAT datasets demonstrate that the model outperforms baselines while remaining computationally more efficient, and that the auxiliary losses yield consistent gains over the standard training objective.
• Abstract（参考訳）: ギターのタチュア文字は、正確なピッチ検出だけでなく、複数のフレットボード位置で同じピッチを再生できるため、各音符を特定の弦楽譜位置に割り当てる必要がある。 既存のアプローチでは、これを標準的な分類問題として扱い、演奏可能な指のシーケンスを管理する音楽的制約や物理的制約を無視している。 本研究では、離散フレットとストリングターゲットの連続的な潜在表現を通して、スペクトルと音声の特徴に基づいて、タブラチャ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Noss2Fretを提案する。 ピッチ精度と物理的プレイ可能性のギャップを埋めるため,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では、モデルが計算効率を保ちながらベースラインを上回り、補助的な損失が標準トレーニング目標よりも一貫した利得をもたらすことを示した。

関連論文リスト

• GuitarFlow: Realistic Electric Guitar Synthesis From Tablatures via Flow Matching and Style Transfer [7.72498447842112]
  本稿では,エレキギター合成に特化したモデルであるGuitarFlowを紹介する。 生成プロセスは、ユビキタスで直感的なギター固有の記号形式であるタブラを用いてガイドされる。 タトゥールから生成したギター・オーディオのリアリズムに顕著な改善が認められた。
  論文  参考訳（メタデータ） (2025-10-23T13:31:41Z)
• A Machine Learning Approach for MIDI to Guitar Tablature Conversion [21.416973100105633]
  本稿では,MIDIをベースとした楽曲にギターの音節表記を割り当てる手法を提案する。 この戦略は機械学習に基づいており、フレットボード上で指がどれくらい伸びるかという基本的な仮定を必要とする。 提案手法は、ギターで演奏することができない、あるいは演奏できない音楽作品の書き起こしについても検討する。
  論文  参考訳（メタデータ） (2025-10-12T14:01:01Z)
• Fretting-Transformer: Encoder-Decoder Model for MIDI to Tablature Transcription [2.3249139042158853]
  Fretting-Transformer(フレッティング・トランスフォーマー)は、T5トランスフォーマーアーキテクチャを利用して、MIDIシーケンスをギターのタブーに自動転写するエンコーダデコーダモデルである。 タスクをシンボリック翻訳問題としてフレーミングすることで、文字列のあいまいさや物理的プレイ可能性といった重要な課題に対処する。
  論文  参考訳（メタデータ） (2025-06-17T06:25:35Z)
• MIDI-to-Tab: Guitar Tablature Inference via Masked Language Modeling [6.150307957212576]
  シンボリックギターのタブリング推定のための新しいディープラーニングソリューションを提案する。 我々は、文字列に音符を割り当てるために、マスク付き言語モデリングパラダイムでエンコーダ・デコーダ変換モデルを訓練する。 このモデルは、まず25K以上のタブチュアのデータセットであるDadaGPで事前トレーニングされ、その後、プロが書き起こしたギター演奏のキュレートセットで微調整される。
  論文  参考訳（メタデータ） (2024-08-09T12:25:23Z)
• Modeling Bends in Popular Music Guitar Tablatures [49.64902130083662]
  タブラチュア表記はポピュラー音楽で広く使われ、ギター音楽のコンテンツの書き起こしや共有に使われている。 本論文は,音符のピッチを段階的にシフトできる屈曲に着目し,離散的な指板の物理的制限を回避する。 ポピュラー音楽の932個のリードギタータブラのコーパス上で実験を行い、決定木がF1スコア0.71と限られた偽陽性予測量で屈曲の発生をうまく予測することを示す。
  論文  参考訳（メタデータ） (2023-08-22T07:50:58Z)
• 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)
• A Data-Driven Methodology for Considering Feasibility and Pairwise Likelihood in Deep Learning Based Guitar Tablature Transcription Systems [18.247508110198698]
  この作品では、シンボリック・タブラチュアを利用して、ギターの音符のペアの確率を推定する。 ベースライン表象転写モデルの出力層を再構成し、阻害損失を組み込むことで、不可能なノートペアの共活性化を防止できる。 これは自然にギターの演奏性制約を強制し、ペアの確率を推定するために使用されるシンボリックデータとより整合したタブラを与える。
  論文  参考訳（メタデータ） (2022-04-17T22:10:37Z)
• Neural String Edit Distance [77.72325513792981]
  文字列対分類とシーケンス生成のためのニューラルストリング編集距離モデルを提案する。 オリジナルの期待最大化学習編集距離アルゴリズムを微分可能な損失関数に変更します。 ひとつのフレームワークでパフォーマンスと解釈性をトレードオフできることを示します。
  論文  参考訳（メタデータ） (2021-04-16T22:16:47Z)

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。