論文の概要: MUUNRiver-Bench: Diagnosing Relation-Dependent Music Retrieval with Multimodal Instructions
- arxiv url: http://arxiv.org/abs/2609.16090v1
- Date: Mon, 14 Sep 2026 11:22:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.150482
- Title: MUUNRiver-Bench: Diagnosing Relation-Dependent Music Retrieval with Multimodal Instructions
- Title（参考訳）: MUUNRiver-Bench:マルチモーダル命令による関係依存音楽検索
- Abstract要約: 参照トラックが与えられた場合、リスナーはそのスタイルを新しいテーマ、カバー、あるいは同等の音声で探すことができる。
MUUNRiver-Benchは、参照音声クエリが自然言語命令を使用して関連性を定義する診断ベンチマークである。
- 参考スコア（独自算出の注目度）: 34.51664408381567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Music retrieval is relation-dependent: given a reference track, a listener may seek its style with a new theme, a cover, or a comparable voice, and these intents demand contradictory rankings. We present MUUNRiver-Bench, a diagnostic benchmark whose reference-audio queries use natural-language instructions to define relevance. A pipeline combining expert genre priors, LLM-generated prompts and lyrics, synthesis, and expert review yields 3,440 tracks spanning 13 genres and 116 sub-genres, and seven tasks: similar-music, style-preserving lyric-rewriting, lyric-preserving style-rewriting, cover, vocal-timbre, isolated-vocal, and segment retrieval. Across six models in eight configurations, task-wise rank reversals reveal complementary biases: acoustic encoders favour local identity, whereas text-aligned encoders favour semantic relations. Frozen encoders diagnose default similarity preferences; instruction-aware and audio-text fusion systems provide exploratory tests of textual conditioning, with neither simple fusion scheme consistently improving its backbone
- Abstract（参考訳）: 音楽検索は関係性に依存しており、レファレンストラックが与えられた場合、リスナーは新しいテーマ、カバー、あるいは同等の音声でスタイルを求めることができ、これらの意図は矛盾するランキングを要求する。
MUUNRiver-Benchは、参照音声クエリが自然言語命令を使用して関連性を定義する診断ベンチマークである。
13のジャンルと116のサブジャンルにまたがる3,440のトラックと7つのタスク – 類似音楽、スタイル保存リライト、歌詞保存スタイルリライト、カバー、ボーカル音色、孤立音声、セグメント検索 – を組み合わせたパイプライン。
音響エンコーダは局所的なアイデンティティを好むが、テキスト整列エンコーダは意味論的関係を好む。
命令認識と音声テキスト融合システムは、テキスト条件付けの探索的なテストを提供するが、単純な融合方式では、バックボーンを一貫して改善しない。
関連論文リスト
- INSPIRE: A Benchmark for Instruction-Aware Speech Retrieval [53.79335341504602]
INSPIREは命令対応音声検索のための最初のベンチマークである。
我々は,大規模音声言語モデル,ケースドパイプライン,自己教師型音声モデル,コントラスト型音声言語モデルという4つの検索パラダイムを評価する。
論文 参考訳（メタデータ） (2026-08-17T07:35:18Z) - 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) - ATIR: Towards Audio-Text Interleaved Contextual Retrieval [63.68521448682396]
本稿では,Audio-Text Interleaved contextual Retrieval (ATIR)タスクを導入する。
このベンチマークは、意味検索における既存の音声検索データセットの限界を実質的に解決する。
論文 参考訳（メタデータ） (2026-04-22T07:11:58Z) - BASS: Benchmarking Audio LMs for Musical Structure and Semantic Reasoning [74.84822135705025]
本稿では,音声言語モデルにおける音楽理解と推論の評価を目的としたBASSを紹介する。
BASSは12のタスクにまたがる2658の質問、1993年の独特な曲、138時間以上の音楽をカバーしている。
我々は14のオープンソースおよびフロンティアマルチモーダルLMを評価し、最先端モデルでさえ高いレベルの推論タスクに苦しむことを発見した。
論文 参考訳（メタデータ） (2026-02-03T23:40:31Z) - Leveraging Whisper Embeddings for Audio-based Lyrics Matching [35.54408523154097]
WEALYは、Whisperデコーダの埋め込みを活用して、完全に再現可能なパイプラインである。
We demonstrate that WEALY achieve a performance to the state-of-the-art method that without robustness。
本研究は,今後の研究に信頼性の高いベンチマークを提供し,音楽情報検索タスクにおける音声技術の可能性を裏付けるものである。
論文 参考訳（メタデータ） (2025-10-09T13:03:34Z) - Discovering "Words" in Music: Unsupervised Learning of Compositional Sparse Code for Symbolic Music [50.87225308217594]
本稿では,記号的音楽データから「音楽単語」と呼ばれる繰り返しパターンを識別する教師なし機械学習アルゴリズムを提案する。
本稿では,音楽単語発見の課題を統計的最適化問題として定式化し,二段階予測最大化(EM)に基づく学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-29T11:10:57Z) - CrossMuSim: A Cross-Modal Framework for Music Similarity Retrieval with LLM-Powered Text Description Sourcing and Mining [15.58671300364536]
本稿では,音楽類似性モデリングの指針となる,新しいクロスモーダルコントラスト学習フレームワークを提案する。
高品質なテキストと音楽のペアリングデータの不足を克服するため,本稿では,デュアルソースデータ取得手法を提案する。
実験により、提案されたフレームワークは既存のベンチマークよりも大幅にパフォーマンスが向上していることが示された。
論文 参考訳（メタデータ） (2025-03-29T15:43:09Z) - Enriching Music Descriptions with a Finetuned-LLM and Metadata for Text-to-Music Retrieval [7.7464988473650935]
Text-to-Music Retrievalは、広範な音楽データベース内のコンテンツ発見において重要な役割を担っている。
本稿では,TTMR++と呼ばれる改良されたテキスト・音楽検索モデルを提案する。
論文 参考訳（メタデータ） (2024-10-04T09:33:34Z) - 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) - I can listen but cannot read: An evaluation of two-tower multimodal systems for instrument recognition [0.0]
音楽2towerマルチモーダルシステムは、音声とテキストのモダリティを共同の音声テキスト空間に統合する。
本稿では,楽器認識のケーススタディとして,ジョイントオーディオテキスト空間のゼロショット特性について検討する。
論文 参考訳（メタデータ） (2024-07-25T14:15:05Z)
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。