論文の概要: YuE2: Unifying Symbolic and Audio Music Generation at Frontier Quality

• arxiv url: http://arxiv.org/abs/2609.33757v1
• Date: Sun, 27 Sep 2026 16:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 17:01:11.550237
• Title: YuE2: Unifying Symbolic and Audio Music Generation at Frontier Quality
• Title（参考訳）: YuE2: シンボリックとオーディオをフロンティアのクオリティで統一する
• Abstract要約: 我々は,記号プランニングにより,フロンティア品質の象徴的およびオーディオ音楽生成を統一するYuE2を紹介する。 1つのAR-NAR Mixture-of-Transformers (MoT)は、まずメロディとハーモニーを指定する可読性スコアを書き、セマンティックミュージックトークンに拡張し、フルソングオーディオとして実現する。 専門家の聞き取りは、プロプライエタリな曲のジェネレータとの競争力をさらに確立し、Suno v4.5よりも8のベストを保ち、Suno v5に対してほぼバランスの取れた好みを与える。
• 参考スコア（独自算出の注目度）: 74.61395664600597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Symbolic models make melody, harmony, rhythm, and form explicit but typically stop before a finished recording; audio models produce complete songs while leaving composition implicit. We introduce YuE2, which unifies symbolic and audio music generation at frontier quality through symbolic planning. A single AR-NAR Mixture-of-Transformers (MoT) first writes a readable score specifying melody and harmony, expands it into semantic music tokens, and realizes it as full-song audio. In comparisons using the same checkpoint, experts prefer symbolic planning for overall quality and musicality, with 49.3% of overall preferences versus 34.6% without planning. Experts also favor the unified model over a separate language model and diffusion Transformer. On WildSongBench, YuE2 scores 6.73 on SongBench Global Avg, exceeding all evaluated public baselines. Selecting from eight candidates (best-of-8), YuE2 reaches 6.96, the highest observed mean among all evaluated systems. Expert listening further establishes its competitiveness with proprietary song generators, favoring best-of-8 over Suno v4.5 and yielding nearly balanced preferences against Suno v5. To learn this generation process from recordings without aligned scores, we introduce MERT2 and SheetSage2 to supply semantic and symbolic supervision. MERT2 sets a new state of the art in music representation learning, surpassing previous best results on 14 of 15 MARBLE metrics; SheetSage2 leads 12 of 15 benchmark-metric pairs in our lead-sheet transcription comparison. The same checkpoint follows score edits while largely preserving unedited musical content and generates zero-shot covers without cover-specific training. Its readable score also enables agentic music editing, with external language models translating user feedback into revisions of the composition.
• Abstract（参考訳）: シンボリックモデルはメロディ、ハーモニー、リズム、フォーメーションを明示するが、通常は録音が終わる前に停止する。 我々は,記号プランニングにより,フロンティア品質の象徴的およびオーディオ音楽生成を統一するYuE2を紹介する。 1つのAR-NAR Mixture-of-Transformers (MoT)は、まずメロディとハーモニーを指定する可読性スコアを書き、セマンティックミュージックトークンに拡張し、フルソングオーディオとして実現する。 同じチェックポイントを用いて比較すると、専門家は全体的な品質と音楽性に象徴的な計画を好むが、全体の好みの49.3%は計画なしで34.6%である。 専門家は、別の言語モデルと拡散トランスフォーマーよりも統一モデルを好む。 WildSongBenchでは、YuE2がSongBench Global Avgで6.73点を獲得し、評価されたすべての公的なベースラインを超えた。 候補8名(ベスト・オブ・8)から選抜されたYuE2は、すべての評価システムの中で最も観測された平均値である6.96に達した。 専門家の聞き取りは、プロプライエタリな曲のジェネレータとの競争力をさらに確立し、Suno v4.5よりも8のベストを保ち、Suno v5に対してほぼバランスの取れた好みを与える。 スコアを調整せずに録音からこの生成過程を学習するために,意味的および記号的監督を提供するMERT2とSheetSage2を導入する。 MERT2は、15のMARBLEメトリクスのうち14のベスト結果を上回り、新しい最先端の音楽表現学習を設定します。 同じチェックポイントは、未編集の音楽コンテンツをほとんど保存しながら、スコアの編集に従っており、カバー固有のトレーニングなしでゼロショットのカバーを生成する。 可読性のある楽譜は、外部言語モデルで作曲のリビジョンにユーザフィードバックを翻訳するエージェント音楽の編集も可能である。

関連論文リスト

• From One-Shot Generation to Incremental Music Composition: Adapting a General-Purpose Instruction LLM for Persistent Symbolic Editing [0.482810058837951]
  本稿では,汎用的な命令追従型大規模言語モデルの異なる利用法について検討する。 我々は、ABCの持続的な表記法上での操作認識状態遷移の列として、インクリメンタルな構成を定式化する。 Llama 3.1 8B Instruct with Low-Rank Adaptation (LoRA) on 496,038 Operation-Aware dialogue records from Irish traditional music。
  論文  参考訳（メタデータ） (2026-09-28T12:03:13Z)
• Don't CLAP: Are Music-Text Models Bag-of-Words? [48.14216349080224]
  CLAPスコアは, 微粒な音楽的意味や属性の結合を捉えないことを示す。 以上の結果から,CLAPスコアとその関連指標が詳細な音楽的意味や属性の結合を捉えていないことを示す。
  論文  参考訳（メタデータ） (2026-09-24T20:48:16Z)
• Pushing the Frontier of Full-Song Generation: Hierarchical Autoregressive Planning Meets Flow-Matching Rendering [36.032642952445414]
  本稿では,歌詞,テキスト記述,音楽属性から高品質なフル長楽曲を生成できる統一的な楽曲生成フレームワークを提案する。 提案フレームワークは,歌詞・歌詞・音楽属性から完全曲を生成するLyrics-to-Song Generation,ボーカルのない音楽を生成するInstrumental Music Generation,メロディックコンテンツを保存しながら既存の歌を異なるスタイルで再解釈するCover Song Generationの3つのタスクをサポートする。
  論文  参考訳（メタデータ） (2026-07-22T15:11:46Z)
• 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)
• LeVo: High-Quality Song Generation with Multi-Preference Alignment [47.965028296133426]
  我々はLeLMとMusic Codecで構成される言語モデルベースのフレームワークであるLeVoを紹介する。 LeVoは2種類のトークンを並列にモデリングすることができる。 2つのデコーダのみのトランスフォーマーと、異なるトークンタイプ間の干渉を防ぐためのモジュール拡張トレーニング戦略を採用している。
  論文  参考訳（メタデータ） (2025-06-09T07:57:24Z)
• YuE: Scaling Open Foundation Models for Long-Form Music Generation [172.52183330644303]
  YuEはLLaMA2アーキテクチャに基づいたオープンファンデーションモデルのファミリーである。 歌詞のアライメント、コヒーレントな音楽構造、適切な伴奏を伴う声楽メロディを維持しながら、最大5分間の音楽を生成する。
  論文  参考訳（メタデータ） (2025-03-11T17:26:50Z)

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。