論文の概要: Music Hallucination in Audio-Language Models: A Hierarchical Formulation and Empirical Study

• arxiv url: http://arxiv.org/abs/2609.20195v1
• Date: Fri, 24 Jul 2026 21:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.632424
• Title: Music Hallucination in Audio-Language Models: A Hierarchical Formulation and Empirical Study
• Title（参考訳）: 音声言語モデルにおける音楽の幻覚 : 階層的定式化と実証的研究
• Abstract要約: 音声言語モデルにおける幻覚に関する,初めて音楽に特化し,階層的に,多パラダイムな実証的研究を行った。 矛盾に基づく検証を行うマルチパラダイム診断フレームワークであるMuseDiagを導入し,9つのモデルを評価する。
• 参考スコア（独自算出の注目度）: 9.468161454843504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Audio-language models increasingly generate confident music descriptions that are unsupported by the input audio. We present, to our knowledge, the first music-specific, layer-wise, multi-paradigm empirical study of hallucination in audio-language models and formulate it as a hierarchical perceptual grounding failure across five layers: sound events, temporal properties, tonal attributes, style, and emotion. We introduce MuseDiag, a multi-paradigm diagnostic framework with contradiction-based verification, and evaluate nine models (four open-source and five closed-source). We find that (1) vocal misperception is a universal weakness across all nine models, tonal perception is a major axis of architectural differentiation, and Audio-Flamingo-3 remains the stable leader while substantial reordering below it reveals paradigm-specific vulnerability profiles; (2) affirmative bias, generation-mode effects, and layer-specific perceptual limitations are each empirically associated with the observed patterns, with convergent evidence from multiple analyses rather than strict causal attribution; and (3) our two training-free mitigation methods, Audio-Dependency-Aware Decoding for Music (ADD-M) and Taxonomy-Guided Perceptual Anchoring (TPA), can reduce hallucination in probing, but their gains vary by model and often do not carry over to free-form generation, showing that music hallucination mitigation must be evaluated across paradigms.
• Abstract（参考訳）: 音声言語モデルは、入力オーディオによってサポートされない自信ある音楽記述をますます生成する。 我々の知る限りでは、音声モデルにおける幻覚に関する最初の音楽的、階層的、多パラダイム的な実証的研究を行い、それを階層的な知覚的基盤的障害として定式化し、音のイベント、時間的特性、音の属性、スタイル、感情の5つの層にまたがる。 矛盾に基づく検証を行うマルチパラダイム診断フレームワークであるMuseDiagを導入し,9つのモデル(4つのオープンソースと5つのクローズドソース)を評価する。 その結果,(1)音声の誤認識は9つのモデルにおいて普遍的な弱点であり,声調知覚は建築的分化の主軸であり,(2)声調知覚は安定的なリーダーでありながら,その下層にはパラダイム固有の脆弱性プロファイルが存在していること,(2)肯定的バイアス,生成モード効果,および層固有の知覚制限は,厳密な因果帰属ではなく,複数の分析からの収束した証拠とともに,それぞれ経験的に観察されたパターンに関連付けられていること,(3)我々の2つの学習自由緩和法であるADD-M(Audio-Dependency-Aware Decoding for Music)とTPA(Taxonomy-Guided Perceptual Anchoring)は,プロブリングにおける幻覚を減少させうること,そして,そのモデルが,各モデルに及ばれることがよく示される。

関連論文リスト

• OmniHallu: Unified Hallucination Detection for Cross-Modal Comprehension and Generation in Multimodal Large Language Models [2.9934878496863946]
  我々は、理解タスクと生成タスクの両方にまたがる統合幻覚検出フレームワークであるOmniHalluを紹介する。 我々のマルチエージェントアーキテクチャは、モデル出力を原子クレームに分解し、モダリティ固有の専門家を通して検証し、構造化された推論を通して証拠を集約する。
  論文  参考訳（メタデータ） (2026-09-10T08:41:12Z)
• HalluAudio: A Comprehensive Benchmark for Hallucination Detection in Large Audio-Language Models [30.18524844766061]
  HalluAudioは、音声、環境音、音楽の幻覚を評価するための最初の大規模ベンチマークである。 HalluAudioは、5万以上の人間による検証されたQAペアで構成され、バイナリ判断、複数選択推論、属性検証、オープンエンドQAなど、さまざまなタスクタイプにまたがる。 以上の結果から, 音場, 時間的推論, 音楽属性の理解において, 信頼性とロバスト性を考慮したLALMの必要性が示唆された。
  論文  参考訳（メタデータ） (2026-04-21T10:05:28Z)
• Don't Let the Video Speak: Audio-Contrastive Preference Optimization for Audio-Visual Language Models [57.29797562658234]
  オーディオ・ビジュアル言語モデル(AVLM)によるクロスモーダル幻覚のボトルネック 本稿では、この深い視覚的優位性に対応するために、オーディオコントラスト優先最適化(ACPO)を提案する。 ACPOは、音響事実としての視覚的記述をペナライズする出力コントラスト目的と、真の聴覚信号に不変な生成を明示的にペナライズするためにオーディオトラックを交換する入力コントラスト目的を導入する。
  論文  参考訳（メタデータ） (2026-04-15T17:51:28Z)
• Music Flamingo: Scaling Music Understanding in Audio Language Models [98.94537017112704]
  Music Flamingoは、基礎的なオーディオモデルにおける音楽理解を促進するために設計された、新しい大きなオーディオ言語モデルである。 MF-Skillsはマルチステージパイプラインを通じてラベル付けされたデータセットで、調和、構造、音色、歌詞、文化的な文脈をカバーする豊富なキャプションと質問応答ペアを生成する。 MF-Thinkは音楽理論に基づく新しいチェーン・オブ・シンク・データセットで、続いてGRPOベースの強化学習とカスタム報酬を取り入れた。
  論文  参考訳（メタデータ） (2025-11-13T13:21:09Z)
• Towards a Systematic Evaluation of Hallucinations in Large-Vision Language Models [57.58426038241812]
  LVLM(Large Vision-Language Models)は、複雑なマルチモーダルタスクにおいて顕著な性能を示す。 これらのモデルは、画像から様々な視覚的実体を暗黙的に認識または推測する必要がある場合、まだ幻覚に悩まされている。 本稿では,視覚的質問応答(VQA)ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T23:56:01Z)
• Can Large Audio-Language Models Truly Hear? Tackling Hallucinations with Multi-Task Assessment and Stepwise Audio Reasoning [55.2480439325792]
  大規模な音声言語モデル (LALM) は、音声および音声情報の理解と推論に優れた能力を示している。 これらのモデルは、既存の音のイベントを幻覚させ、音のイベントの順序を誤認し、誤って音源を帰属させるなど、依然として課題に直面している。
  論文  参考訳（メタデータ） (2024-10-21T15:55:27Z)
• 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)
• Investigating Causal Cues: Strengthening Spoofed Audio Detection with Human-Discernible Linguistic Features [0.353122873734926]
  模倣、リプレイ攻撃、ディープフェイクなどのスプーフ付きオーディオは、情報の完全性に対する社会的課題を生み出している。 近年、研究者は社会言語学の専門家と共同で、spoofed audio sample with Expert Defined Linguistic Features (EDLFs) をラベル付けしている。 EDLFによる音声データの従来の特徴と一般的な特徴を拡張した場合,いくつかのディープフェイク検出アルゴリズムが改良されていることが確認された。
  論文  参考訳（メタデータ） (2024-09-09T19:47:57Z)
• Unveiling and Mitigating Bias in Audio Visual Segmentation [9.427676046134374]
  コミュニティ研究者は、物体のマスクの音質を改善するために、様々な高度なオーディオ視覚セグメンテーションモデルを開発した。 これらのモデルによって作られたマスクは、最初は可塑性に見えるかもしれないが、しばしば誤った接地論理を持つ異常を示す。 我々はこれを、複雑なオーディオ・視覚的グラウンドよりも単純な学習信号として、現実世界固有の嗜好と分布に帰着する。
  論文  参考訳（メタデータ） (2024-07-23T16:55:04Z)
• Knowledge Overshadowing Causes Amalgamated Hallucination in Large Language Models [65.32990889402927]
  「我々はこの現象を知識の誇張として造る。」 その結果, 幻覚率の増大は, 不均衡比と支配的条件記述の長さに左右されることがわかった。 本稿では,その発生前に幻覚をキャッチするための信号として,オーバーシェーディング条件を用いることを提案する。
  論文  参考訳（メタデータ） (2024-07-10T20:37:42Z)
• VideoHallucer: Evaluating Intrinsic and Extrinsic Hallucinations in Large Video-Language Models [59.05674402770661]
  本稿では,大規模ビデオ言語モデル(LVLM)における幻覚検出のための最初の総合的ベンチマークであるVideoHallucerを紹介する。 VideoHallucerは幻覚を2つの主なタイプに分類する。
  論文  参考訳（メタデータ） (2024-06-24T06:21:59Z)

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。