論文の概要: MIRA: A Musical Intent Refinement Agent for Aligning Text-to-Music Generation with User Intent

• arxiv url: http://arxiv.org/abs/2610.10355v1
• Date: Wed, 07 Oct 2026 16:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.037617
• Title: MIRA: A Musical Intent Refinement Agent for Aligning Text-to-Music Generation with User Intent
• Title（参考訳）: MIRA:ユーザ・インテントによるテキスト・ツー・ミュージック・ジェネレーションのための音楽インテント・リファインメント・エージェント
• Abstract要約: グローバルテキスト-音楽関連スコアは、未特定のプロンプトにおける暗黙の意図を無視することができる。 我々は、独立して検証可能な項目の要求ごとのルーブリックを満たすものとして、テキストから音楽への意図のアライメントを定式化する。 MuRA-Benchは、音楽の専門家による実世界のプラットフォーム要求のベンチマークです。
• 参考スコア（独自算出の注目度）: 19.329205238594575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-music systems produce increasingly convincing audio, yet evaluation reveals little about whether the result matches user intent. A global text-audio relevance score can overlook the implicit intent in underspecified prompts and mask failures in specific requirements, such as instrumentation, structure, rhythm, or mood progression. To bridge this gap, we formulate text-to-music intent alignment as satisfying a per-request rubric of independently verifiable items covering both a request's explicit requirements and its implied musical intent. Scoring items individually makes evaluation diagnostic by intent source and musical dimension, rather than a single opaque score. We instantiate this as MuRA-Bench, a benchmark of real-world platform requests curated by music experts. We further propose MIRA (Musical Intent Refinement Agent), a test-time agent that first grounds a request's intent into rubrics, then searches over prompt revisions for a black-box generator under a bounded budget, iteratively generating music, verifying it against the rubrics, and using this feedback to guide a trajectory-aware tree search. Experiments across open-source and commercial backends show that MIRA improves intent alignment, enabling an open-source generator to achieve performance comparable to representative commercial systems (e.g. Suno and Mureka). Project page: https://mirareview.github.io/.
• Abstract（参考訳）: テキストと音楽のシステムは、ますます説得力のある音声を生成するが、その結果がユーザの意図に合致するかどうかはほとんど明らかではない。 グローバルテキスト・オーディオ関連スコアは、具体化、構造、リズム、気分の進行といった特定の要求において、不特定なプロンプトやマスクの失敗における暗黙の意図を無視することができる。 このギャップを埋めるために、要求の明示的な要求と指示された音楽意図の両方をカバーする独立した検証可能な項目の要求ごとのルーブリックを満たすものとして、テキストから音楽への意図のアライメントを定式化する。 ScoringItemsは、単一の不透明なスコアではなく、インテントソースと音楽次元による評価診断を個別に行う。 MuRA-Benchは、音楽の専門家による実世界のプラットフォーム要求のベンチマークです。 さらに,まず要求の意図をルーブリックに根拠づけたテストタイムエージェントであるMIRA(Musical Intent Refinement Agent)を提案する。 オープンソースおよび商用バックエンドでの実験は、MIRAがインテントアライメントを改善し、オープンソースジェネレータが代表的な商用システム(例えばSunoやMureka)に匹敵するパフォーマンスを達成することができることを示している。 プロジェクトページ: https://mirareview.github.io/.com

関連論文リスト

• 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)
• Beyond Musical Descriptors: Extracting Preference-Bearing Intent in Music Queries [9.932656605847727]
  Redditの音楽リクエスト2,291件の注釈付きコーパスであるMusicRecoIntentを紹介した。 我々は,肯定的,否定的,参照的嗜好的役割を持つ7つのカテゴリにまたがる音楽記述子をラベル付けする。
  論文  参考訳（メタデータ） (2026-02-11T10:52:38Z)
• Enriching Music Descriptions with a Finetuned-LLM and Metadata for Text-to-Music Retrieval [7.7464988473650935]
  Text-to-Music Retrievalは、広範な音楽データベース内のコンテンツ発見において重要な役割を担っている。 本稿では,TTMR++と呼ばれる改良されたテキスト・音楽検索モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-04T09:33:34Z)
• MusiConGen: Rhythm and Chord Control for Transformer-Based Text-to-Music Generation [19.878013881045817]
  MusiConGenは、一時条件付きトランスフォーマーベースのテキスト-音楽モデルである。 条件信号として自動的に抽出されたリズムとコードを統合する。 MusiConGenは,特定の条件に整合したリアルなバックトラック音楽を生成することができることを示す。
  論文  参考訳（メタデータ） (2024-07-21T05:27:53Z)
• MuDiT & MuSiT: Alignment with Colloquial Expression in Description-to-Song Generation [18.181382408551574]
  本稿では,口語記述から歌声生成への新たな課題を提案する。 生成されたコンテンツと口語的人間の表現の整合性に焦点を当てている。 この課題は、AIモデル内の言語理解と聴覚表現のギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-07-03T15:12:36Z)
• MARBLE: Music Audio Representation Benchmark for Universal Evaluation [79.25065218663458]
  我々は,UniversaL Evaluation(MARBLE)のための音楽音響表現ベンチマークを紹介する。 音響、パフォーマンス、スコア、ハイレベルな記述を含む4つの階層レベルを持つ包括的分類を定義することで、様々な音楽情報検索(MIR)タスクのベンチマークを提供することを目的としている。 次に、8つの公開データセット上の14のタスクに基づいて統一されたプロトコルを構築し、ベースラインとして音楽録音で開発されたすべてのオープンソース事前学習モデルの表現を公平かつ標準的に評価する。
  論文  参考訳（メタデータ） (2023-06-18T12:56:46Z)
• 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)

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。