論文の概要: MixJudge: Learning a Language-Queryable Critic for Vocal Mixing

• arxiv url: http://arxiv.org/abs/2610.30783v1
• Date: Thu, 22 Oct 2026 06:02:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.230496
• Title: MixJudge: Learning a Language-Queryable Critic for Vocal Mixing
• Title（参考訳）: MixJudge: 声質混合のための言語クエリ可能な批評を学ぶ
• Abstract要約: 我々は、複数の重度レベルで11の音声ミックスのカリキュラムを構築し、それを言語検索可能なオーディオ評論家であるMixJudgeの訓練に使用する。 MixJudgeは、ミキシング問題を検索し、反対の問題を区別し、問題の深刻度を順序付ける能力を示している。
• 参考スコア（独自算出の注目度）: 7.8275434651833296
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Mixing requires not only applying processing but also assessing the resulting mix. Audio-language models can provide conversa- tional mixing advice, but existing evaluations do not separately test whether they can judge specific mixing issues. Since professional supervision for such judgments is scarce, we construct a curriculum of 11 vocal-mix issues at multiple severity levels and use it to train MixJudge, a language-queryable audio critic. MixJudge shows its ability to retrieve mixing issues, distinguish opposite issues, and order the severity of an issue. Moreover, its judgments transfer to menu selection: given a set of processing candidates, MixJudge often favors versions acoustically closer to a held-out professional version, demonstrating how explicit mixing judgment can support comparison and downstream mixing decisions.
• Abstract（参考訳）: 混合には、処理を適用するだけでなく、結果の混合を評価する必要がある。 音声-言語モデルは、会話-オプション混合アドバイスを提供することができるが、既存の評価は、特定の混合問題を判断できるかどうかを別々にテストするものではない。 このような判断の専門的な監督は乏しいため、複数の重度レベルで11の音声ミックスのカリキュラムを構築し、言語クエリー可能な音声評論家であるMixJudgeを訓練するために使用する。 MixJudgeは、ミキシング問題を検索し、反対の問題を区別し、問題の深刻度を順序付ける能力を示している。 さらに、その判断はメニューの選択に伝達される: 一連の処理候補が与えられた場合、MixJudgeは、しばしばホールドアウトされたプロフェッショナルバージョンに音響的に近いバージョンを好んでおり、明示的な混合判定が比較と下流の混合決定をどのようにサポートするかを示している。

関連論文リスト

• Agentic Music Post-Production [37.08734965739621]
  MixAgentは、レファレンスソングでガイドされた解釈可能で編集可能なミキシングプランを構築する。 MixCriticは、プロのミキシングに適合するパラメータから派生した45,657の修理批評のデータセットである。 MedleyDBでは、学習されたリファインメントは最初のミックスと比較してエラーを19%減らし、優先最適化は教師付きトレーニングだけで8.4%減らした。
  論文  参考訳（メタデータ） (2026-10-21T02:36:51Z)
• Always Learning, Always Mixing: Efficient and Simple Data Mixing All The Time [51.671620992989375]
  OP-Mixは、言語モデルトレーニングライフサイクル全体にわたって動作するデータミキシングアルゴリズムである。 プレトレーニングでは、OP-Mixは平均パープレキシティの6.3%を混合することなくトレーニングを改善できる。 連続学習では、OP-Mixは再学習とオンライン蒸留の両方のパフォーマンスを66%、全体の95%で比較した。
  論文  参考訳（メタデータ） (2026-05-13T02:29:19Z)
• 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)
• SUMix: Mixup with Semantic and Uncertain Information [41.99721365685618]
  混合データ拡張アプローチは、ディープラーニングの様々なタスクに応用されている。 そこで我々は,SUMix という新しい手法を提案し,混合率と混合試料の不確かさを学習する。
  論文  参考訳（メタデータ） (2024-07-10T16:25:26Z)
• Mixture of Mixups for Multi-label Classification of Rare Anuran Sounds [9.295580499423263]
  マルチラベルの不均衡な分類は、機械学習において大きな課題となる。 本稿では,AnuraSetを用いてアヌラ種を分類する特定の事例に焦点を当てた。
  論文  参考訳（メタデータ） (2024-03-14T17:39:14Z)
• UNSSOR: Unsupervised Neural Speech Separation by Leveraging Over-determined Training Mixtures [60.879679764741624]
  残響状態においては、各マイクは異なる場所で複数の話者の混合信号を取得する。 我々は、$textbfu$nsupervised $textbfn$euralのアルゴリズムUNSSORを提案する。 この損失は、教師なし話者の分離を促進することが示される。
  論文  参考訳（メタデータ） (2023-05-31T17:28:02Z)
• SMMix: Self-Motivated Image Mixing for Vision Transformers [65.809376136455]
  CutMixは視覚変換器(ViT)の性能と一般化能力を決定する重要な拡張戦略である 既存のCutMixの変種は、より一貫性のある混合画像やより正確な混合ラベルを生成することでこの問題に対処している。 本稿では,学習モデルによる画像とラベルの強調を動機づける,効率的かつ効果的な自己運動画像混合法を提案する。
  論文  参考訳（メタデータ） (2022-12-26T00:19:39Z)
• Thompson Sampling with a Mixture Prior [59.211830005673896]
  混合分布から不確実な環境をサンプリングするオンライン意思決定問題において,トンプソンサンプリング(TS)について検討した。 我々は,TSの後悔を先行して解析する,新しい一般的な手法を開発した。
  論文  参考訳（メタデータ） (2021-06-10T09:21:07Z)
• AutoMix: Unveiling the Power of Mixup [34.623943038648164]
  サンプル混合ポリシーを適応的に学習するために、識別機能を利用する柔軟性のある一般的な自動混合フレームワークを紹介します。 mixup をプリテキストタスクとして捉え,ミックスサンプル生成とミックスアップ分類という2つのサブプロブレムに分割した。 6つの人気のある分類ベンチマークの実験は、AutoMixが他の主要なミックスアップメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2021-03-24T07:21:53Z)

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。