論文の概要: Ghost in the Encoder: Decodable Artist Identity Representations in Lyrics-to-Song Generation

• arxiv url: http://arxiv.org/abs/2609.39552v1
• Date: Wed, 30 Sep 2026 11:51:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.632365
• Title: Ghost in the Encoder: Decodable Artist Identity Representations in Lyrics-to-Song Generation
• Title（参考訳）: エンコーダにおけるゴースト:歌詞と歌の世代におけるアーティストのアイデンティティ表現
• Abstract要約: 曲の歌詞だけでアーティストのアイデンティティを線形にデオード可能な表現するために、訓練されたモデルを探索できることが示される。 我々の研究は,学習データから生成音楽モデルが暗黙的に学んだことを評価するために,潜時空間分析をどのように利用できるかを強調した。
• 参考スコア（独自算出の注目度）: 1.1126860679414443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-song generation models can be prompted to imitate specific artists or regurgitate entire songs from their training data. Although these phenomena have been documented behaviorally on small datasets, little is known about the internal representations that may give rise to them. Prior interpretability work on generative audio has focused on locating semantic concepts such as genre or time signature within model activations. In this work, we show that a trained model can be probed for linearly decodable representations of artist identity from song lyrics alone, without any additional identifiers. Through a controlled case study of ACE-Step 1.5 spanning 2,000 songs across 100 artists, we demonstrate that the artist associated with a given set of lyrics can be identified within the model's internal activations, and that this conditioning signal propagates from the lyric encoder to the diffusion backbone during inference. These findings indicate that lyrics constitute an artist-level conditioning channel not addressed by prompt-side replication safeguards. More broadly, our work highlights how latent-space analysis can be used to audit what generative music models have implicitly learned from their training data.
• Abstract（参考訳）: テキスト・ツー・ソング生成モデルは、特定のアーティストを模倣したり、トレーニングデータから曲全体を再生したりすることができる。 これらの現象は小さなデータセット上で振舞いに記録されているが、それらを引き起こす可能性のある内部表現についてはほとんど知られていない。 生成的オーディオに関する事前解釈可能性の研究は、ジャンルや時間シグネチャといった意味概念をモデルアクティベーション内で見つけ出すことに重点を置いている。 本研究では,楽曲の歌詞のみからアーティストのアイデンティティを線形にデオード可能な表現のために,追加の識別子を使わずに,訓練されたモデルを探索できることを示す。 ACE-Step 1.5が100曲にまたがって2000曲にまたがる制御ケーススタディにより, モデルの内部アクティベーションの中で, 歌詞に関連付けられたアーティストを識別できること, そして, この条件付き信号が推論中に, 歌詞エンコーダから拡散バックボーンへ伝播することを実証した。 以上の結果から,歌詞はプロンプト側複製保護によって対処されないアーティストレベルの条件付けチャネルを構成することが示唆された。 より広範に、我々の研究は、学習データから暗黙的に学習した生成的音楽モデルを評価するために、潜在空間分析をどのように利用できるかを強調している。

関連論文リスト

• Bob's Confetti: Phonetic Memorization Attacks in Music and Video Generation [47.04195212078377]
  音楽やビデオのジェネレーティブAIシステムは、著作権のある素材の再生を防ぐためにテキストベースのフィルタを使うことが多い。 本稿では,音声の暗記を利用してこれらの安全を回避できる新たな攻撃であるAdversarial PhoneTic Prompting(APT)を紹介する。 我々は,SUNOやYUEのようなL2S(Lyrics-to-Song)をリードするモデルが,原曲の原曲に顕著なメロディ的・リズミカルな類似性で再生できることを実証した。
  論文  参考訳（メタデータ） (2025-07-23T21:11:47Z)
• SongCreator: Lyrics-based Universal Song Generation [53.248473603201916]
  SongCreatorは、声楽と伴奏の両方で曲を生成するという課題に取り組むために設計された曲生成システムである。 モデルには2つの新しいデザインがある: ボーカルの情報と伴奏を収録するための巧妙に設計された二重系列言語モデル (M) と、DSLMのための一連の注意マスク戦略である。 実験では,8つのタスクすべてに対して,最先端ないし競争的なパフォーマンスを実現することにより,SongCreatorの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-09T19:37:07Z)
• Unsupervised Melody-to-Lyric Generation [91.29447272400826]
  本稿では,メロディ・歌詞データを学習することなく高品質な歌詞を生成する手法を提案する。 我々は、メロディと歌詞のセグメンテーションとリズムアライメントを利用して、与えられたメロディをデコード制約にコンパイルする。 我々のモデルは、強いベースラインよりもオントピー的、歌いやすく、知性があり、一貫性のある高品質な歌詞を生成することができる。
  論文  参考訳（メタデータ） (2023-05-30T17:20:25Z)
• Unsupervised Melody-Guided Lyrics Generation [84.22469652275714]
  メロディと歌詞の一致したデータを学習することなく、楽しく聴ける歌詞を生成することを提案する。 メロディと歌詞間の重要なアライメントを活用し、与えられたメロディを制約にコンパイルし、生成プロセスを導く。
  論文  参考訳（メタデータ） (2023-05-12T20:57:20Z)
• 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)

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。