論文の概要: MIDI-REPA: Improving Text-to-Music Generation with Symbolic Representation Alignment

• arxiv url: http://arxiv.org/abs/2610.20967v1
• Date: Wed, 14 Oct 2026 21:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.082756
• Title: MIDI-REPA: Improving Text-to-Music Generation with Symbolic Representation Alignment
• Title（参考訳）: MIDI-REPA:記号表現アライメントによるテキスト・音楽生成の改善
• Abstract要約: フローマッチングDiTの中間表現の整合化を目的として,MIDI制御をAMT(Automatic Music transcription)から導出した表現アライメントフレームワークであるMIDI-REPAを紹介する。 本研究は,テキスト・ツー・ミュージック・ジェネレーションを改善するためのシンプルで安価な学習信号として,シンボリック・インフォメーションを強調した。
• 参考スコア（独自算出の注目度）: 6.21787083045901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-of-the-art text-to-music models increasingly rely on scaling model capacity, data, and compute, while still learning musical structure directly from dense audio. Yet melody, rhythm, harmony, and structure can be represented compactly in symbolic form. We introduce MIDI-REPA, a representation-alignment framework that derives MIDI supervision from automatic music transcription (AMT) to align intermediate representations of a flow-matching DiT. Building on the 122M-parameter FluxAudio-S baseline from the 2026 ICME Academic Text-To-Music Challenge, we investigate what, where, and when to align. Aligning a MuScriptor-derived piano roll with an early DiT layer throughout the full flow trajectory performs the best. Without additional training data or techniques, MIDI-REPA remains competitive on the ATTM objective metrics while remaining trainable on a single RTX 3090 in about 31 hours. Our results highlight symbolic supervision as a simple and inexpensive learning signal for improving text-to-music generation. We release our transcription pipeline, JamendoMIDI, training code, and audio samples at https://midi-repa.vaclis.net.
• Abstract（参考訳）: 最先端のテキストから音楽へのモデルは、高密度オーディオから直接音楽構造を学ぶ一方で、モデル容量、データ、計算のスケーリングにますます依存している。 しかし、メロディ、リズム、調和、構造は象徴的な形でコンパクトに表現することができる。 フローマッチングDiTの中間表現の整合化を目的として,MIDI制御をAMT(Automatic Music transcription)から導出した表現アライメントフレームワークであるMIDI-REPAを紹介する。 2026年のICME Academic Text-to-Music Challengeの112MパラメーターFluxAudio-Sベースライン上に構築し,何,どこで,いつ整列すべきかを検討する。 MuScriptorから派生したピアノロールを、フルフロー軌跡全体にわたって初期のDiT層で調整することで、最高の性能を発揮する。 追加のトレーニングデータや技術がなければ、MIDI-REPAはATTMの客観的指標で競争力を維持し、約31時間で単一のRTX 3090でトレーニングできる。 本研究は,テキスト・ツー・ミュージック・ジェネレーションを改善するためのシンプルで安価な学習信号として,シンボリック・インフォメーションを強調した。 私たちは、転写パイプライン、JamendoMIDI、トレーニングコード、オーディオサンプルをhttps://midi-repa.vaclis.net.comでリリースしています。

関連論文リスト

• MI-MIDI: Mechanistic Interpretability of Text-to-MIDI Generation Models via Probing, Lenses and Steering [0.12277343096128711]
  コントラスト設計のための2つの公開テキスト-MIDIシステムについて分析する。 アーキテクチャがどのように形成と制御を形成するかを示します。 その結果、記号生成器における音楽概念のトレースと制御のための実用的なツールキットが提供される。
  論文  参考訳（メタデータ） (2026-08-06T23:09:37Z)
• InstructAudio: Unified speech and music generation with natural language instruction [52.76518112649456]
  InstructAudioは、音響属性の命令ベースの制御を可能にする統一的なフレームワークである。 英語と中国語で表現力のある音声、音楽、対話生成をサポートする。
  論文  参考訳（メタデータ） (2025-11-23T15:15:21Z)
• Barwise Section Boundary Detection in Symbolic Music Using Convolutional Neural Networks [0.0]
  セクション境界検出のための人手によるMIDIデータセットを提案する。 第2に、固定長の音楽窓におけるセクション境界の存在を分類するために、深層学習モデルを訓練する。 本モデルではF1スコアの0.77を達成し,類似した音声に基づく教師あり学習手法を改良した。
  論文  参考訳（メタデータ） (2025-09-20T07:52:08Z)
• MIDI-VALLE: Improving Expressive Piano Performance Synthesis Through Neural Codec Language Modelling [32.78044321881271]
  音声合成のためのVALLEフレームワークであるMIDI-VALLEを提案する。 VALLEはMIDIとオーディオの両方を離散トークンとしてエンコードし、より一貫性があり堅牢なピアノ演奏のモデリングを容易にする。 評価の結果,MIDI-VALLEは最先端のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-11T12:28:20Z)
• Text2midi: Generating Symbolic Music from Captions [7.133321587053803]
  本稿では,テキスト記述からMIDIファイルを生成するエンド・ツー・エンド・エンド・モデルであるtext2midiを紹介する。 プレトレーニングされたLLMエンコーダを使用してキャプションを処理し、自動回帰変換器デコーダを条件にMIDIシーケンスを生成する。 我々は,MIDIファイルを高品質に生成するための総合的な実験評価を行い,自動化された研究と人為的な研究の両方を取り入れた。
  論文  参考訳（メタデータ） (2024-12-21T08:09:12Z)
• Annotation-Free MIDI-to-Audio Synthesis via Concatenative Synthesis and Generative Refinement [0.0]
  CoSaRefはMIDI-to-audio合成法であり、MIDI-audioペアデータセットを必要としない。 MIDIの入力に基づいて合成音声トラックを生成し、MIDIアノテーションなしでデータセットに基づいて訓練された拡散に基づく深層生成モデルで洗練する。 デジタルオーディオワークステーションの伝統的な機能と同様、音声サンプルの選択やMIDI設計を通じて音色や表現を詳細に制御することができる。
  論文  参考訳（メタデータ） (2024-10-22T08:01:40Z)
• Accompanied Singing Voice Synthesis with Fully Text-controlled Melody [61.147446955297625]
  Text-to-song (TTSong) は、歌声の伴奏を合成する音楽生成タスクである。 完全テキスト制御されたメロディで高品質な曲を生成する最初のTTSongモデルであるMelodyLMを提案する。
  論文  参考訳（メタデータ） (2024-07-02T08:23:38Z)
• MuPT: A Generative Symbolic Music Pretrained Transformer [56.09299510129221]
  音楽の事前学習におけるLarge Language Models (LLM) の適用について検討する。 生成過程の異なるトラックからの不整合対策に関連する課題に対処するために,SMT-ABC Notation(Synchronized Multi-Track ABC Notation)を提案する。 私たちのコントリビューションには、最大8192個のトークンを処理可能な一連のモデルが含まれており、トレーニングセットの象徴的な音楽データの90%をカバーしています。
  論文  参考訳（メタデータ） (2024-04-09T15:35:52Z)
• 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。