論文の概要: Getting Motif-ated: Controllable AI Compositions from Injected Motif Prompts

• arxiv url: http://arxiv.org/abs/2609.32788v1
• Date: Sat, 26 Sep 2026 17:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:15:29.171203
• Title: Getting Motif-ated: Controllable AI Compositions from Injected Motif Prompts
• Title（参考訳）: Motif-ated: 注入されたMotif Promptから制御可能なAI合成
• Abstract要約: そこで本研究では,事前学習したシンボリック・ミュージック・モデルに新たなインストラクション・プロンプトを組み込むためのレシピであるMotiGenを紹介する。 実験の結果,本モデルは92.3%以上の生成片において誘導モチーフで構成されていることがわかった。
• 参考スコア（独自算出の注目度）: 26.849264571542083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has transformed symbolic music generation by borrowing the training paradigms of large language models, with systems such as NotaGen now producing complete, stylistically convincing classical scores from a short prompt. These systems could become powerful creative partners, helping musicians generate endless possibilities. However, current systems expose almost no control handles on the music itself. In principle, control handles could be built into a foundation model trained from scratch, but this is rarely practical without massive amounts of quality annotated data and compute resources. We therefore present MotiGen, a recipe for retrofitting pretrained symbolic music models to use new instruction prompts. MotiGen injects a musical motif as a structured prompt line, reinforces it with a scalar attention bias toward the motif tokens, and learns the association with a two-phase curriculum. First, it learns from focused excerpts cropped around motif occurrences in the training data, then full scores including the motifs. Our experiments show that our model composes with the prompted motif in over 92.3\% of generated pieces. Generated pieces using a variety of motifs are included in our sample site: https://motigen-site.github.io/.
• Abstract（参考訳）: ディープラーニングは、大規模な言語モデルの訓練パラダイムを借用することで象徴的な音楽生成を変革し、NotaGenのようなシステムは、短いプロンプトから完全にスタイリスティックに古典的な楽譜を制作している。 これらのシステムは強力なクリエイティブパートナーになり、ミュージシャンが無限の可能性を生み出すのを助ける。 しかし、現在のシステムは音楽自体のコントロールハンドルをほとんど公開していない。 原則として、コントロールハンドルはスクラッチからトレーニングされた基礎モデルに組み込むことができるが、大量の品質アノテートデータと計算資源なしでは実用的ではない。 そこで本研究では,事前学習した記号的音楽モデルに新たな命令プロンプトを付加するためのレシピであるMotiGenを提案する。 MotiGenは、構造化されたプロンプトラインとして音楽モチーフを注入し、モチーフトークンに対してスカラーアテンションバイアスで強化し、2段階のカリキュラムと関連性を学ぶ。 まず、トレーニングデータ中のモチーフ発生に焦点を絞った抜粋から学習し、モチーフを含む完全なスコアを学習する。 実験の結果, 生成した部品の92.3 %以上において, このモデルが引き起こされたモチーフを構成することがわかった。 さまざまなモチーフを使用した生成部品がサンプルサイトに含まれている。

関連論文リスト

• Learning Music Style for Piano Arrangement Through Cross-Modal Bootstrapping [21.124610627945522]
  生音声から暗黙的な音楽スタイルを学習し,それをシンボリック音楽生成に適用するクロスモーダル・フレームワークを提案する。 我々は2段階の学習戦略を採用する: 聴覚スタイルと記号表現の整合を対照的に学習し、次いで音楽アレンジメントのための生成的モデリングを行う。 ピアノカバー生成,スタイル転送,MIDI検索におけるアプローチの有効性について実験を行った。
  論文  参考訳（メタデータ） (2026-08-04T03:01:54Z)
• From Generality to Mastery: Composer-Style Symbolic Music Generation via Large-Scale Pre-training [4.7205815347741185]
  広義のコーパスから学んだ一般的な音楽知識が、特定の作曲家スタイルの熟達度をいかに高めるかを検討する。 まず、ポップ、フォーク、クラシック音楽の大規模なコーパス上で、REMIベースの音楽生成モデルを事前訓練する。 そして、Bach、Mozart、Beethoven、Chopinの4人の著名な作曲家による、人間によって検証された小さなデータセットに、それを微調整します。
  論文  参考訳（メタデータ） (2025-06-20T22:20:59Z)
• Adaptive Accompaniment with ReaLchords [60.690020661819055]
  ユーザのメロディに合わせてコード伴奏を即興するオンライン生成モデルであるReaLchordsを提案する。 まず、最大で事前訓練されたオンラインモデルから始め、強化学習を使用して、オンライン使用のためのモデルを微調整します。
  論文  参考訳（メタデータ） (2025-06-17T16:59:05Z)
• MuPT: A Generative Symbolic Music Pretrained Transformer [56.09299510129221]
  音楽の事前学習におけるLarge Language Models (LLM) の適用について検討する。 生成過程の異なるトラックからの不整合対策に関連する課題に対処するために,SMT-ABC Notation(Synchronized Multi-Track ABC Notation)を提案する。 私たちのコントリビューションには、最大8192個のトークンを処理可能な一連のモデルが含まれており、トレーニングセットの象徴的な音楽データの90%をカバーしています。
  論文  参考訳（メタデータ） (2024-04-09T15:35:52Z)
• Motif-Centric Representation Learning for Symbolic Music [5.781931021964343]
  我々は、表現学習を通してモチーフとそのバリエーションの間の暗黙の関係を学習する。 正規化に基づくVICRegは事前学習に採用され、コントラスト学習は微調整に使用されている。 得られたモチーフ表現を可視化し、楽曲全体の構造を直感的に理解する。
  論文  参考訳（メタデータ） (2023-09-19T13:09:03Z)
• Re-creation of Creations: A New Paradigm for Lyric-to-Melody Generation [158.54649047794794]
  Re-creation of Creations (ROC)は、歌詞からメロディ生成のための新しいパラダイムである。 ROCは、Lyric-to-Meody生成において、優れたLyric-Meody特徴アライメントを実現する。
  論文  参考訳（メタデータ） (2022-08-11T08:44:47Z)
• Learning to Generate Music With Sentiment [1.8275108630751844]
  本稿では,特定の感情で音楽を構成するための生成的深層学習モデルを提案する。 音楽生成の他に、シンボリック音楽の感情分析にも同じモデルを用いることができる。
  論文  参考訳（メタデータ） (2021-03-09T03:16:52Z)
• Can GAN originate new electronic dance music genres? -- Generating novel rhythm patterns using GAN with Genre Ambiguity Loss [0.0]
  本稿では,音楽生成,特に電子舞踊音楽のリズムパターンに着目し,深層学習を用いて新しいリズムを生成できるかを論じる。 我々は、GAN(Generative Adversarial Networks)のフレームワークを拡張し、データセット固有の分布から分岐することを奨励する。 提案したGANは、音楽リズムのように聞こえるリズムパターンを生成できるが、トレーニングデータセットのどのジャンルにも属さないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T23:22:12Z)

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。