論文の概要: Predicting Audio Popularity: A Comparative Study of Metadata and Acoustic Features Across Music and Sound Effects

• arxiv url: http://arxiv.org/abs/2610.16809v1
• Date: Mon, 12 Oct 2026 13:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:28:36.664569
• Title: Predicting Audio Popularity: A Comparative Study of Metadata and Acoustic Features Across Music and Sound Effects
• Title（参考訳）: 音楽人気予測:音楽効果と音響効果におけるメタデータと音響特性の比較検討
• Abstract要約: 人気度は、ダウンロード数と平均ユーザ評価の2つの変数に基づいて、教師付き分類タスクとして定式化される。 我々は、ランダムフォレスト、XGBoost、ニューラルネットワークモデルなど、複数の機械学習モデルの比較評価を行う。 結果は、メタデータが人気を予測するための最も有益な表現を一貫して提供することを示している。
• 参考スコア（独自算出の注目度）: 5.290179245369616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study addresses the prediction of audio popularity on an online sharing platform by leveraging both metadata and acoustic feature representations. Two distinct categories of audio content are considered: music and sound effects. Popularity is formulated as a supervised classification task based on two target variables: the number of downloads and the average user rating. We conduct a comparative evaluation of multiple machine learning models, including Random Forest, XGBoost, and a Neural Network model. Experiments are performed across different feature sets, including metadata, platform-provided descriptors, and eGeMAPS acoustic features. Results indicate that metadata consistently provide the most informative representation for predicting popularity. Nevertheless, acoustic features alone achieve performance significantly above chance level, demonstrating that intrinsic properties of the audio signal contribute to popularity prediction.
• Abstract（参考訳）: 本研究では,メタデータと音響特徴表現の両方を活用することで,オンライン共有プラットフォーム上での音声人気予測に対処する。 オーディオコンテンツには音楽と音響効果の2つのカテゴリーがある。 人気度は、ダウンロード数と平均ユーザ評価の2つの変数に基づいて、教師付き分類タスクとして定式化される。 我々は、ランダムフォレスト、XGBoost、ニューラルネットワークモデルなど、複数の機械学習モデルの比較評価を行う。 メタデータ、プラットフォームが提供する記述子、eGeMAPS音響機能など、さまざまな機能セットで実験が行われる。 結果は、メタデータが人気を予測するための最も有益な表現を一貫して提供することを示している。 それでも、音響特性だけでは、音響信号の本質的性質が人気予測に寄与することを示し、確率レベルよりもはるかに高い性能を達成する。

関連論文リスト

• SAM Audio: Segment Anything in Audio [55.50609519820557]
  一般的なオーディオソース分離は、マルチモーダルAIシステムにとって重要な機能である。 本稿では,一般的な音声分離のための基礎モデルであるSAM Audioを紹介する。 テキスト、ビジュアル、タイムスパンを単一のフレームワーク内で統合する。
  論文  参考訳（メタデータ） (2025-12-19T22:14:23Z)
• AudioJudge: Understanding What Works in Large Audio Model Based Speech Evaluation [55.607230723223346]
  本研究は,Large Audio Model (LAM) をAudioJudgeの裁判官として体系的に研究し,両課題に対処する統一評価フレームワークを提供することができるかどうかを検討する。 本稿では、発音、発話速度、話者識別、音声品質、自動ベンチマークのためのシステムレベルの人間の嗜好シミュレーションなど、音声特徴検出タスクにまたがるAudioJudgeについて検討する。 本稿では,多視点アンサンブルAudioJudgeを導入し,音声評価を語彙内容,音声品質,パラ言語特徴の専門判断者に分解し,人間の嗜好と最大0.91のスピアマン相関を達成させる手法を提案する。
  論文  参考訳（メタデータ） (2025-07-17T00:39:18Z)
• Music Genre Classification: A Comparative Analysis of CNN and XGBoost Approaches with Mel-frequency cepstral coefficients and Mel Spectrograms [0.0]
  提案した畳み込みニューラルネットワーク(CNN)、完全連結層(FC)を持つVGG16、異なる特徴に対するeXtreme Gradient Boosting(XGBoost)アプローチの3つのモデルの性能について検討した。 さらに,データ前処理フェーズにデータセグメンテーションを適用することで,CNNの性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-01-09T01:50:31Z)
• AudioFormer: Audio Transformer learns audio feature representations from discrete acoustic codes [6.375996974877916]
  離散音響符号の取得により音声特徴表現を学習するAudioFormerという手法を提案する。 以上の結果から,AudioFormerはモノモーダル音声分類モデルに比べて性能が大幅に向上したことが示された。
  論文  参考訳（メタデータ） (2023-08-14T15:47:25Z)
• AudioLDM 2: Learning Holistic Audio Generation with Self-supervised Pretraining [46.22290575167155]
  本稿では, 音声, 音楽, 音響効果生成のための同じ学習手法を用いた枠組みを提案する。 私たちのフレームワークでは、LOA(Language of Audio)と呼ばれる音声の一般的な表現を導入しています。
  論文  参考訳（メタデータ） (2023-08-10T17:55:13Z)
• Self-Supervised Visual Acoustic Matching [63.492168778869726]
  音響マッチングは、ターゲットの音響環境に録音されたかのように、音声クリップを再合成することを目的としている。 そこで本研究では,対象のシーン画像と音声のみを含む,視覚的音響マッチングのための自己教師型アプローチを提案する。 提案手法は,条件付きGANフレームワークと新しいメトリクスを用いて,室内音響をアンタングル化し,音をターゲット環境に再合成する方法を共同で学習する。
  論文  参考訳（メタデータ） (2023-07-27T17:59:59Z)
• Benchmarks and leaderboards for sound demixing tasks [44.99833362998488]
  音源分離タスクのための2つの新しいベンチマークを導入する。 これらのベンチマークでは、音のデミックスやアンサンブルなどの人気モデルを比較します。 また,特定の茎に最適な異なるモデルのアンサンブルに基づく,音声分離のための新しいアプローチも開発している。
  論文  参考訳（メタデータ） (2023-05-12T14:00:26Z)
• Investigating Multi-Feature Selection and Ensembling for Audio Classification [0.8602553195689513]
  ディープラーニングアルゴリズムは、様々な領域で素晴らしいパフォーマンスを示している。 オーディオはここ数十年、興味深いパターンのために多くの研究者を惹きつけてきた。 音声分類の性能向上のために、特徴選択と組み合わせが重要な役割を担っている。
  論文  参考訳（メタデータ） (2022-06-15T13:11:08Z)

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。