論文の概要: Tracing Inputs, Verifying Outputs: Validating Attribution in Music Generation

• arxiv url: http://arxiv.org/abs/2610.09637v1
• Date: Wed, 07 Oct 2026 08:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.793169
• Title: Tracing Inputs, Verifying Outputs: Validating Attribution in Music Generation
• Title（参考訳）: 入力の追跡と出力の検証:音楽生成における属性の検証
• Abstract要約: 本稿では,入力に基づく属性が,どの世代でどの音源が使われたのかを検証できることを示す。 即時付着試験と制御された入力スワップでは,ジェネレータであるMixAudioが生成した幹が音色と文脈音声を調和して追従する。 そこで我々は,音楽バージョン識別モデルであるMusicDNAを用いて記憶を監査し,入力レコードの外では再生がほとんどない。
• 参考スコア（独自算出の注目度）: 18.953352746522263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How can we verify whose music contributed to an AI-generated output? This paper demonstrates how input-based attribution can provide verifiable evidence of which audio sources were used in a generation and whether they shaped the output. To do so, we condition the generation solely on audio without any text input, then trace the inputs behind each output, and establish their musical effect. In prompt adherence tests and controlled input swaps, the stems generated by our generator, MixAudio, follow the prompt audio in timbre and the context audio in harmony. Yet these outputs may still reproduce training data not supplied as inputs. We therefore audit memorization with our musical version identification model, musicDNA, and find few reproductions outside the input records. On human-judged cases within the flagged pool, it achieves higher precision and recall than the other tested memorization detectors. The two evaluations suggest that input records and output analysis provide complementary evidence for attribution, on which rights-holder reporting and compensation can draw as the AI music economy takes shape. Audio examples are available at https://neutune.github.io/attr2027demo/
• Abstract（参考訳）: どの音楽がAIの出力に寄与したのか、どうやって検証できるのか? 本稿では、入力に基づく属性が、どの世代でどの音源が使われたか、出力を形作るかどうかを検証できることを示す。 そこで本研究では,テキスト入力を使わずに音声のみに生成を条件付け,各出力の背後にある入力をトレースし,その音楽効果を確立する。 即時付着試験と制御された入力スワップでは,ジェネレータであるMixAudioが生成した幹が音色と文脈音声を調和して追従する。 しかし、これらの出力は、入力として供給されていないトレーニングデータを再現する可能性がある。 そこで我々は,音楽バージョン識別モデルであるMusicDNAを用いて記憶を監査し,入力レコードの外では再生がほとんどない。 フラグ付きプール内のヒトのジャッジドケースでは、他のテストされた記憶検出器よりも高精度でリコールが可能である。 2つの評価は、入力レコードと出力分析が帰属の補完的な証拠となり、AI音楽経済が形成するにつれて、利害関係者の報告と補償が引き出せることを示唆している。 オーディオサンプルはhttps://neutune.github.io/attr2027demo/で公開されている。

関連論文リスト

• Music Boomerang: Reusing Diffusion Models for Data Augmentation and Audio Manipulation [49.062766449989525]
  音楽オーディオの生成モデルは、典型的にはテキストプロンプトやメロディのみに基づいて出力を生成するために使用される。 画像領域に対して最近提案されたブーメランサンプリングでは,任意の事前学習拡散モデルを用いて,既存の例に近い出力を生成することができる。
  論文  参考訳（メタデータ） (2025-07-07T10:46:07Z)
• AI-Generated Song Detection via Lyrics Transcripts [15.1799390517192]
  AIベースの音楽生成ツールの近年の能力向上は、音楽産業の隆盛を生み出している。 本稿では、一般的な自動音声認識(ASR)モデルを用いて曲を翻訳することで、このギャップを解決することを提案する。 我々の手法は、音声が様々な方法で摂動されるとき、最先端のオーディオベースよりも頑丈である。
  論文  参考訳（メタデータ） (2025-06-23T10:42:50Z)
• Tango 2: Aligning Diffusion-based Text-to-Audio Generations through Direct Preference Optimization [70.13218512896032]
  テキストプロンプトから音声を生成することは、音楽や映画産業におけるそのようなプロセスの重要な側面である。 我々の仮説は、これらのオーディオ生成の側面が、限られたデータの存在下でのオーディオ生成性能をどのように改善するかに焦点を当てている。 我々は、各プロンプトが勝者の音声出力と、拡散モデルが学習するための敗者音声出力を持つ選好データセットを合成的に作成する。
  論文  参考訳（メタデータ） (2024-04-15T17:31:22Z)
• Simple and Controllable Music Generation [94.61958781346176]
  MusicGenは単一の言語モデル(LM)であり、圧縮された離散的な音楽表現、すなわちトークンの複数のストリームで動作する。 以前の作業とは異なり、MusicGenはシングルステージのトランスフォーマーLMと効率的なトークンインターリービングパターンで構成されている。
  論文  参考訳（メタデータ） (2023-06-08T15:31:05Z)
• Betray Oneself: A Novel Audio DeepFake Detection Model via Mono-to-Stereo Conversion [70.99781219121803]
  Audio Deepfake Detection (ADD)は、テキスト音声(TTS)、音声変換(VC)、再生などによって生成された偽音声を検出することを目的としている。 M2S-ADDと呼ばれる新しいADDモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-25T02:54:29Z)
• AudioGen: Textually Guided Audio Generation [116.57006301417306]
  記述文キャプションに条件付き音声サンプルを生成する問題に対処する。 本研究では,テキスト入力に条件付き音声サンプルを生成する自動回帰モデルであるAaudioGenを提案する。
  論文  参考訳（メタデータ） (2022-09-30T10:17:05Z)
• Unsupervised Source Separation By Steering Pretrained Music Models [15.847814664948013]
  本稿では、音源分離のための音楽生成と音楽タグ付けのために訓練されたディープモデルを再活用する教師なし手法を紹介する。 入力混合物に音声生成モデルを条件付けし、音声生成に用いる音声の潜時符号化を生成する。 この生成されたオーディオは、ソースラベルを生成する事前訓練された音楽タグに供給される。
  論文  参考訳（メタデータ） (2021-10-25T16:08:28Z)

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。