論文の概要: MQAScore: Fine-Grained Text-Music Alignment Evaluation via Large Audio Language Model
- arxiv url: http://arxiv.org/abs/2610.31083v1
- Date: Thu, 22 Oct 2026 10:56:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.327768
- Title: MQAScore: Fine-Grained Text-Music Alignment Evaluation via Large Audio Language Model
- Title（参考訳）: MQAScore: 大規模オーディオ言語モデルによる微粒テキスト音楽アライメント評価
- Abstract要約: MQAScoreを導入し、各原子音楽概念を5つのクリップレベル次元で検証する。
MQAScoreは、テキストと音楽のアライメントを評価するためのグローバルな類似性に対する、より信頼性が高く、解釈可能な微妙な補完である。
- 参考スコア（独自算出の注目度）: 13.784466377373057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text-to-music alignment is commonly evaluated by the global similarity between text and audio embeddings, which collapses all described attributes into a single score and obscures which ones are missing. We instead introduce MQAScore, which verifies each atomic musical concept along five clip-level dimensions (genre, instrument, mood/theme, vocal, and usage) by the probability that a large audio language model (LALM) answers affirmatively to a binary question. To assess evaluator reliability, we construct verification labels from presence/absence annotations and LLM-guided concept substitutions, and propose the Sensitivity-Invariance Ratio, which measures how selectively an evaluator responds to meaning-changing substitutions. Experiments show that concept-level scoring improves both question-answering and similarity-based evaluators, and MQAScore can be a more reliable and interpretable fine-grained complement to global similarity for evaluating text-to-music alignment.
- Abstract（参考訳）: テキストと音楽のアライメントは、テキストとオーディオの埋め込みのグローバルな類似性によって一般的に評価される。
その代わりにMQAScoreを導入し、大きな音声言語モデル(LALM)が二分問題に対して肯定的に答える確率によって、各アトミックな音楽概念を5つのクリップレベル(ジャンル、楽器、ムード/テーマ、ボーカル、使用法)に沿って検証する。
評価器の信頼性を評価するため,評価器が意味変化にどう反応するかを選択的に測定する感度・不変比を提案する。
実験により、概念レベルのスコアリングは質問応答と類似度に基づく評価の両方を改善し、MQAScoreは、テキストと音楽のアライメントを評価するためのグローバルな類似性に対する、より信頼性が高く、解釈可能な微妙な補完であることが示された。
関連論文リスト
- Integrating Contextual Embeddings into Evaluation of Expressive MIDI Piano Performances [0.00746020873338928]
生成的応用において、多種多様な表現的属性は、モデルを選択するための単一の計量にまとめるのを難しくする。
そこで本研究では,属性スコープ計測値を再検討し,自己教師付きシンボリック音楽モデルであるAriaとCLaMP3のコンテキスト埋め込みの知覚特性について検討する。
ピアソン相関や再構成誤差とは異なり、文脈埋め込みにおけるカーネルベースの手法はメモアライメントを必要とせず、文脈摂動に敏感である。
論文 参考訳（メタデータ） (2026-07-30T09:22:54Z) - Listening Like a Judge: A Music-Aware Framework for Automatic Singing Performance Evaluation [2.4230700749442917]
MusicJudgeは、自動歌唱品質評価のためのモダリティ誘導フレームワークである。
ピッチリズムの忠実度と歌詞の正しさを結合することにより、ブロック整列多重モーダル解析を行う。
意味的埋め込み、語彙的類似性、音声的アライメントを統合した多信号マッチングを用いて意味的に意味のある歌詞ブロックを検出する。
論文 参考訳（メタデータ） (2026-06-24T23:24:31Z) - AQAScore: Evaluating Semantic Alignment in Text-to-Audio Generation via Audio Question Answering [97.52852990265136]
音声対応大規模言語モデルの推論機能を活用するバックボーン非依存評価フレームワークであるAQAScoreを紹介する。
AQAScoreは人格関連性、ペア比較、構成推論タスクを含む複数のベンチマークで評価する。
論文 参考訳（メタデータ） (2026-01-21T07:35:36Z) - SMILE: A Composite Lexical-Semantic Metric for Question-Answering Evaluation [55.26111461168754]
本稿では,文レベルの意味理解とキーワードレベルの意味理解と簡単なキーワードマッチングを組み合わせた新しいアプローチであるSemantic Metric Integrating Lexical Exactnessを紹介する。
人間の判断と計算学的に軽量であり、語彙的評価と意味的評価のギャップを埋める。
論文 参考訳（メタデータ） (2025-11-21T17:30:18Z) - AudioCodecBench: A Comprehensive Benchmark for Audio Codec Evaluation [16.047087043580053]
MLLM(Multimodal Large Language Models)は、音声や音楽に広く応用されている。
意味のみのテキストトークンとは異なり、音声トークンはグローバルな意味的コンテンツをキャプチャし、きめ細かい音響的詳細を保存する必要がある。
本稿では,意味的および音響的トークンの適切な定義を提供し,体系的な評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-02T14:15:22Z) - AHELM: A Holistic Evaluation of Audio-Language Models [78.20477815156484]
マルチモーダルオーディオ言語モデル(ALM)は、インターリーブされた音声とテキストを入力および出力テキストとして取り込む。
AHELMは、PARADEとCoRe-Benchと呼ばれる2つの新しい合成オーディオテキストデータセットを含む、さまざまなデータセットを集約するベンチマークである。
また、モデル間の等価比較を確保するために、プロンプト、推論パラメータ、評価指標を標準化する。
論文 参考訳（メタデータ） (2025-08-29T07:40:39Z) - Localizing Factual Inconsistencies in Attributable Text Generation [74.11403803488643]
本稿では,帰属可能なテキスト生成における事実の不整合をローカライズするための新しい形式であるQASemConsistencyを紹介する。
QASemConsistencyは、人間の判断とよく相関する事実整合性スコアを得られることを示す。
論文 参考訳（メタデータ） (2024-10-09T22:53:48Z) - SWING: Balancing Coverage and Faithfulness for Dialogue Summarization [67.76393867114923]
本稿では,自然言語推論(NLI)モデルを用いて,事実の不整合を回避し,カバレッジを向上させることを提案する。
我々は、NLIを用いて詳細なトレーニング信号を計算し、モデルがカバーされていない参照サマリーのコンテンツを生成することを奨励する。
DialogSumおよびSAMSumデータセットの実験により,提案手法の有効性が確認された。
論文 参考訳（メタデータ） (2023-01-25T09:33:11Z)
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。