論文の概要: Gangqinpu: A Multi-Genre, Multi-Task Piano Dataset with Aligned Audio, MIDI, and Musical Scores
- arxiv url: http://arxiv.org/abs/2610.34694v1
- Date: Mon, 26 Oct 2026 01:31:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.673081
- Title: Gangqinpu: A Multi-Genre, Multi-Task Piano Dataset with Aligned Audio, MIDI, and Musical Scores
- Title（参考訳）: Gangqinpu: Aigned Audio, MIDI, Musical Scoresを備えたマルチ世代マルチタスクピアノデータセット
- Abstract要約: Gangqinpuは18,786のスコアパフォーマンスペアと1,007.1時間のソースオーディオを含む多世代ピアノデータセットである。
ポップ、クラシック、ジャズ、フォーク/伝統、ロック、ブルースなど様々なジャンルにまたがる。
我々はGangqinpuをMIDI-to-scoreの文字起こし、表現的パフォーマンスレンダリング、ビートトラッキングで評価した。
- 参考スコア（独自算出の注目度）: 6.2147700240594785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aligned audio, performance MIDI, and musical scores provide valuable supervision for music analysis and performance modeling, yet datasets that jointly align all three modalities remain scarce and limited in scale and genre diversity. We introduce Gangqinpu, a multi-genre piano dataset containing 18,786 score-performance pairs and 1,007.1 hours of source audio, with automatic note-level alignments and derived beat/downbeat annotations. It spans diverse genres, including pop, classical, jazz, folk/traditional, rock, and blues. Our automated pipeline transcribes piano audio, aligns the resulting MIDI with musical scores, assigns genre labels, and filters out non-expressive performances with a score-informed binary classifier. We further construct joint splits with ASAP using conservative score-similarity grouping to reduce data leakage. We evaluate Gangqinpu on performance MIDI-to-score transcription, expressive performance rendering, and beat tracking. Downstream experiments demonstrate the value of Gangqinpu as complementary training data, with cross-dataset gains in beat tracking and primarily in-domain benefits for transcription and expressive performance rendering. The code and dataset are publicly available at https://github.com/wei-zeng98/gangqinpu.
- Abstract（参考訳）: オーディオ、パフォーマンスMIDI、音楽の楽譜は、音楽分析とパフォーマンスモデリングの貴重な監督を提供するが、これら3つのモダリティを協調的に調整するデータセットは、規模やジャンルの多様性に乏しいままである。
Gangqinpuは18,786のスコアパフォーマンス対と1,007.1時間のソースオーディオを含むマルチジャンルのピアノデータセットで、自動音符レベルのアライメントとビート/ダウンビートアノテーションを導出する。
ポップ、クラシック、ジャズ、フォーク/伝統、ロック、ブルースなど様々なジャンルにまたがる。
自動パイプラインはピアノの音声を書き起こし、その結果のMIDIを楽譜と整列させ、ジャンルラベルを割り当て、スコアインフォームされたバイナリ分類器で非表現的な演奏をフィルタリングする。
我々はさらに、データ漏洩を低減するために、保守的なスコア類似性グループを用いたASAPとのジョイント分割を構築した。
我々はGangqinpuをMIDI-to-scoreの文字起こし、表現的パフォーマンスレンダリング、ビートトラッキングで評価した。
下流での実験では、Gangqinpuが相補的なトレーニングデータとしての価値を示し、ビートトラッキングにおけるクロスデータセットゲインと、主に書き起こしと表現力のあるパフォーマンスレンダリングのドメイン内のメリットがある。
コードとデータセットはhttps://github.com/wei-zeng98/gangqinpu.comで公開されている。
関連論文リスト
- DuET: Note-Frame Dual Encoding for Piano Performance-to-Score Transcription [6.9847786946703]
DuETは、ノートレベルのMIDI-to-score(PM2S)書き起こしとフレームレベルのビートとダウンビート追跡を学習する。
双方向のクロスアテンションはノートとフレームエンコーダを接続し、自動回帰デコーダはスコア属性を交互に切り替える。
各データセット上で最強のベースラインと比較して、DuETはMUSTER平均誤差をGangqinpuで6.56%から3.64%、ASAPで11.30%から11.22%に削減している。
論文 参考訳（メタデータ） (2026-10-15T08:11:15Z) - Pose-Aware Multimodal Automatic Tagging for Greek Traditional Music [81.96990106395953]
本研究では, ダンサーポーズの使用が, 音声以外のギリシャ伝統音楽の自動タグ付けに補完的な情報を提供するかどうかを考察する。
舞踊映像から一次ダンサー骨格配列を抽出する自動パイプラインを提案する。
複数の融合戦略を用いて、一様系、全双モード結合系、および三次系を比較した。
論文 参考訳（メタデータ） (2026-09-22T21:53:06Z) - MulTTiPop: A Multitrack Transcription Dataset for Pop Music [49.06419020509759]
MulTTiPopは、ポップミュージックセグメントと関連するマルチトラックMIDIレコードのデータセットである。
MulTTiPopには572曲のポピュラー音楽が含まれており、3.5時間分のオーディオがある。
我々は、MulTTiPop上での最先端の音楽自動書き起こしモデルの評価を行い、改善の余地を見出した。
論文 参考訳（メタデータ） (2026-07-09T17:55:33Z) - 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) - Rubato: Transcribing Piano Music with Timestamps [47.76733897717644]
タイムスタンプを付加した人間可読シート音楽への音楽録音の変換について検討する。
本稿では,(1)ポリフォニック音楽の新しいテキスト表現であるInterMoの出力を訓練した,Rubatoというプロンプト条件付きエンコーダデコーダモデルを紹介する。
実験により, ルバトは, 音符の精度を最良なアプローチよりも高め, タイムスタンプ付きピアノ楽譜を音声から生成できることが実証された。
論文 参考訳（メタデータ） (2026-05-22T23:47:21Z) - PianoVAM: A Multimodal Piano Performance Dataset [56.318475235705954]
PianoVAMは、ビデオ、オーディオ、MIDI、手のランドマーク、指のラベル、リッチメタデータを含む包括的なピアノパフォーマンスデータセットである。
データセットはディクラヴィエピアノを使用して録音され、アマチュアピアニストの日々の練習セッション中にオーディオとMIDIをキャプチャした。
事前訓練されたポーズ推定モデルと半自動指先アノテーションアルゴリズムを用いて,手指のランドマークと指先ラベルを抽出した。
論文 参考訳（メタデータ） (2025-09-10T17:35:58Z) - Beat and Downbeat Tracking in Performance MIDI Using an End-to-End Transformer Architecture [2.8544822698499255]
動作MIDIにおけるビート・アンド・ダウンビート追跡のためのエンド・ツー・エンド・エンド・トランスフォーマーモデルを提案する。
提案手法では,動的拡張やトークン化の最適化など,新しいデータ前処理手法を導入している。
我々は,A-MAPS,ASAP,GuitarSet,Leducのデータセットを用いて,最先端の隠れマルコフモデル(HMM)とディープラーニングに基づくビートトラッキング手法との比較を行った。
論文 参考訳（メタデータ） (2025-07-01T06:27:42Z) - Cluster and Separate: a GNN Approach to Voice and Staff Prediction for Score Engraving [5.572472212662453]
本稿では,音符を量子化された記号楽曲(例えばMIDIファイル)から複数の音声とステーブに分離する問題にアプローチする。
本稿では,同じ和音に属する音符を音声の一部であればエッジで接続する,グラフニューラルネットワークに基づくエンドツーエンドシステムを提案する。
論文 参考訳（メタデータ） (2024-07-15T14:36:13Z) - Melody transcription via generative pre-training [86.08508957229348]
メロディの書き起こしの鍵となる課題は、様々な楽器のアンサンブルや音楽スタイルを含む幅広いオーディオを処理できる方法を構築することである。
この課題に対処するために、広帯域オーディオの生成モデルであるJukebox(Dhariwal et al. 2020)の表現を活用する。
広義音楽のクラウドソースアノテーションから50ドル(約5,400円)のメロディ書き起こしを含む新しいデータセットを導出する。
論文 参考訳（メタデータ） (2022-12-04T18:09:23Z) - Unaligned Supervision For Automatic Music Transcription in The Wild [1.2183405753834562]
NoteEMは、トランクレーバーを同時に訓練し、スコアを対応するパフォーマンスに合わせる方法である。
我々は、MAPSデータセットのSOTAノートレベル精度と、データセット間の評価において好適なマージンを報告した。
論文 参考訳（メタデータ） (2022-04-28T17:31:43Z)
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。