論文の概要: SMEBENCH: Benchmarking Neural Music Editing with Synthetized MIDI Edits
- arxiv url: http://arxiv.org/abs/2610.36715v1
- Date: Tue, 27 Oct 2026 06:31:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.528486
- Title: SMEBENCH: Benchmarking Neural Music Editing with Synthetized MIDI Edits
- Title（参考訳）: SMEBENCH: 合成MIDI編集によるニューラルミュージック編集のベンチマーク
- Abstract要約: シンボリックMIDI演奏の修正による音楽編集の大規模ベンチマークであるSMEBenchを紹介する。
それぞれの例にはソース、命令、ペア化されたターゲット、メタデータの編集、補完的な記述が含まれている。
これらの基準を用いて、一般的なオーディオ編集メトリクスを診断し、6つの代表的な編集システムをベンチマークする。
- 参考スコア（独自算出の注目度）: 31.663436032088807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural music editing requires a system to perform a requested change while preserving the musical content that should remain unchanged. Existing evaluations often lack a paired target edit, making these requirements difficult to measure separately. We introduce SMEBench, a large-scale benchmark of controlled music edits constructed by modifying symbolic MIDI performances and rendering matched source and target audio. Each example contains a source, an instruction, a paired target, edit metadata, and complementary descriptions. The benchmark covers twelve instrumentation, articulation, dynamics, and pitch operations and includes a balanced 3,600-example test set together with a smaller real-audio complement derived from multitrack recordings. The paired targets allow source preservation, target agreement, and textual compatibility to be evaluated independently. We use these references to diagnose common audio-editing metrics and benchmark six representative editing systems, showing that the metric used to rank a system can materially change the conclusion. The dataset is available at our repository.
- Abstract（参考訳）: ニューラルな音楽編集は、変化のない音楽コンテンツを保持しながら、要求された変更を行うシステムを必要とする。
既存の評価では、ペアのターゲット編集が欠如している場合が多いため、これらの要件を個別に測定することは困難である。
SMEBenchは、MIDIのシンボリックなパフォーマンスを変更し、一致したソースとターゲットオーディオをレンダリングすることによって構築された、制御された音楽編集の大規模ベンチマークである。
それぞれの例にはソース、命令、ペア化されたターゲット、メタデータの編集、補完的な記述が含まれている。
このベンチマークでは、12の計器、調音、力学、ピッチ演算をカバーし、バランスの取れた3,600サンプルのテストセットと、マルチトラック録音から派生したより小さな音響補聴器を含む。
ペア化されたターゲットは、ソースの保存、ターゲットの合意、テキストの互換性を独立して評価することができる。
これらの基準を用いて、一般的な音声編集メトリクスの診断と6つの代表編集システムのベンチマークを行い、システムランキングに使用されるメトリクスが、結論を実質的に変更可能であることを示す。
データセットは私たちのリポジトリで利用可能です。
関連論文リスト
- Synthesis and editing of multi-instrument audio mixtures using scalar-quantised latents with MIDI Span conditioning [20.928258517489603]
Span Synth-Editは、MIDI誘導型オーディオミックスの合成と編集のためのフローマッチングモデルである。
このモデルは、楽器固有の音色誘導にコンテキストオーディオを使用し、修正MIDIから対象領域を再ラベルすることで編集をサポートする。
シングルおよびマルチインストールベンチマークの実験は、競合性能を示し、フレーム内のオンセット制御を示す。
論文 参考訳（メタデータ） (2026-09-22T01:21:39Z) - AVENUE: Audio-Video EditiNg Understanding and Evaluation [16.21802697462669]
AVENUE, Audio-Video EditiNg Understanding and Evaluationを紹介する。
制御可能なAV編集モデルに向けた進捗を駆動するためのベンチマークおよびモダリティ対応評価フレームワークである。
一つのモダリティを編集する場合、既存のモデルは、パラダイムに関係なく、意図しない変更をしばしば誘発する。
論文 参考訳（メタデータ） (2026-08-31T13:05:01Z) - 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) - AVE-Compass: Towards Holistic Evaluation for Audio-Video Editing Abilities [38.02927226790559]
145のキュレートされたビデオ、196のオーディオと視覚を結合した編集命令、2688のきめ細かいチェックリスト項目を備えた総合的なベンチマークであるAVE-を紹介した。
チェックリストに基づくMLLM判定と専用のリアリズムを通じて、インテントのインストラクションフォロー、フィデリティ保存、リアリズム、編集を評価し、自動化されたクロスモーダル、ビデオ、オーディオメトリクスで補完する。
AVE-Agentは、複雑な命令を依存サブタスクに分解し、自己回帰とフィードバックによる編集結果を反復的に改善するモジュラー評価フレームワークである。
論文 参考訳（メタデータ） (2026-07-17T12:40:13Z) - 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) - Schrodinger Audio-Visual Editor: Object-Level Audiovisual Removal [90.14887235360611]
SAVEBenchは、テキストとマスク条件を備えたペアオーディオヴィジュアルデータセットで、オブジェクト指向のソース・ツー・ターゲット学習を可能にする。
SAVEにはSchrodinger Bridgeが組み込まれており、ソースからターゲットのオーディオヴィジュアルミックスへのダイレクトトランスポートを学習する。
評価の結果,提案したSAVEモデルは,残したコンテンツを保存しながら,音声・視覚コンテンツ中の対象オブジェクトを除去できることがわかった。
論文 参考訳（メタデータ） (2025-12-14T23:19:15Z) - RUMAA: Repeat-Aware Unified Music Audio Analysis for Score-Performance Alignment, Transcription, and Mistake Detection [17.45655063331199]
RUMAAは、音楽パフォーマンス分析のためのトランスフォーマーベースのフレームワークである。
スコア・ツー・パフォーマンス・アライメント、スコア・インフォームド・書き起こし、ミス検出をほぼエンドツーエンドで統一する。
論文 参考訳（メタデータ） (2025-07-16T12:13:13Z) - EditGen: Harnessing Cross-Attention Control for Instruction-Based Auto-Regressive Audio Editing [54.10773655199149]
自動回帰モデルにおける効率的な音声編集のためのクロスアテンション制御の活用について検討する。
画像編集手法に触発されて,横断的・自己認識的メカニズムを通じて編集をガイドするPrompt-to-Promptライクなアプローチを開発した。
論文 参考訳（メタデータ） (2025-07-15T08:44:11Z) - Zero-Shot Audio-Visual Editing via Cross-Modal Delta Denoising [114.39028517171236]
そこで我々は,ゼロショット音声映像編集を導入し,新たなモデルトレーニングを必要とせず,特定のテキストプロンプトに合わせるために,オリジナル音声映像コンテンツを変換する新しいタスクを提案する。
この課題を評価するために、ゼロショットオーディオビデオ編集用に明示的に設計されたベンチマークデータセットAvED-Benchをキュレートする。
AvEDは、AvED-Benchと最近のOAVEデータセットの両方で優れた結果を示し、その一般化能力を検証する。
論文 参考訳（メタデータ） (2025-03-26T17:59:04Z) - Separate This, and All of these Things Around It: Music Source Separation via Hyperellipsoidal Queries [53.30852012059025]
音源分離は音声から音声までの検索作業である。
音楽ソース分離における最近の研究は、固定状態パラダイムに挑戦し始めている。
本稿では,超楕円体領域をクエリとして使用することにより,ターゲット(位置)とスプレッドの両方を指定するための直感的かつ容易にパラメトリザブルなアプローチを提案する。
論文 参考訳（メタデータ） (2025-01-27T16:13:50Z) - 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)
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。