論文の概要: A Tutorial on Generative Models for Music Audio

• arxiv url: http://arxiv.org/abs/2610.38252v1
• Date: Wed, 28 Oct 2026 04:04:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.950162
• Title: A Tutorial on Generative Models for Music Audio
• Title（参考訳）: 音楽聴取のための生成モデルに関する研究
• Abstract要約: 音楽のオーディオ生成は、楽器のクリップ、ボーカル付き全曲、既存の録音の編集、そしてミュージシャンと一緒にリアルタイムで演奏するシステムにまたがる。 このモノグラフは、これらのシステムの背後にある手法を、音楽生成に慣れ親しんだニューラル・ネットワーク・トレーニングの読者に説明します。
• 参考スコア（独自算出の注目度）: 9.000525341473752
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Music audio generation spans instrumental clips, full songs with vocals, edits of existing recordings, and systems that play alongside a musician in real time. This monograph explains the methods behind these systems for readers familiar with neural-network training who are new to music generation. It introduces neural audio codecs and autoencoders, autoregressive and masked token models, diffusion and flow matching, sampling acceleration, and preference optimization in a shared notation. Worked examples connect training objectives and sampling procedures to published systems. The application sections relate the musical requirements of instrumental generation, songs, editing, and live performance to model design. Comparison tables record representations, methods, inputs, tasks, and release information documented in papers and official sources. Symbolic composition, speech, and sound effects are included where they connect to music audio. We explain how to interpret automatic metrics and learned judges, design and report listening tests, and assess evidence about data provenance, memorization, attribution, and output detection. Selected legal decisions and disputes illustrate the implications for training and release. The reviewed systems combine established generative paradigms with new representations, planning stages, and post-training procedures. Differences in data, scale, and evaluation limit what cross-system comparisons can establish about the sources of reported gains.
• Abstract（参考訳）: 音楽のオーディオ生成は、楽器のクリップ、ボーカル付き全曲、既存の録音の編集、そしてミュージシャンと一緒にリアルタイムで演奏するシステムにまたがる。 このモノグラフは、これらのシステムの背後にある手法を、音楽生成に慣れ親しんだニューラル・ネットワーク・トレーニングの読者に説明します。 ニューラルオーディオコーデックとオートエンコーダ、自動回帰およびマスク付きトークンモデル、拡散とフローマッチング、サンプリングアクセラレーション、共有記法での優先最適化が導入されている。 実例では、トレーニング目標とサンプリング手順を公開システムに関連付けている。 応用セクションは、楽器生成、歌、編集、ライブパフォーマンスの要件をモデル設計に関連付けている。 比較表は、文書や公式資料に記録された表現、方法、入力、タスク、およびリリース情報を記録する。 シンボリック・コンポジション、スピーチ、サウンドエフェクトは、音楽オーディオに接続する場所に含まれる。 本稿では,自動計測と学習した判断の解釈方法,聴取試験の設計と報告,データの出典,暗記,帰属,および出力検出に関する証拠の評価について説明する。 選択された法的決定と紛争は、訓練と解放の意味を表わしている。 レビューされたシステムは、確立された生成パラダイムと新しい表現、計画段階、訓練後の手順を組み合わせる。 データ、スケール、評価の違いは、報告された利得の源について、システム間比較が確立できるものを制限する。

関連論文リスト

• ThinkSound: Chain-of-Thought Reasoning in Multimodal Large Language Models for Audio Generation and Editing [47.14083940177122]
  ThinkSoundは、ビデオの段階的にインタラクティブなオーディオ生成と編集を可能にする新しいフレームワークである。 提案手法は,3つの相補的な段階 – セマンティック・コヒーレント,インタラクティブなオブジェクト中心の改良,ターゲット編集 – に分解する。 実験により、ThinkSoundはオーディオメトリクスとCoTメトリクスの両方で、ビデオからオーディオ生成における最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-06-26T16:32:06Z)
• Kimi-Audio Technical Report [67.69331679172303]
  Kimi-Audioは、オーディオ理解、生成、会話に優れたオープンソースのオーディオ基礎モデルである。 モデルアーキテクチャ、データキュレーション、トレーニングレシピ、推論デプロイメント、評価を含む、Kim-Audioの構築プラクティスについて詳述する。
  論文  参考訳（メタデータ） (2025-04-25T15:31:46Z)
• Controllable Music Production with Diffusion Models and Guidance Gradients [3.187381965457262]
  44.1kHzステレオオーディオにおいて,拡散モデルから条件付き生成を用いて,様々な現実的なタスクに対処する方法を実証する。 このシナリオには、継続性、音楽オーディオのインペイントと再生、2つの異なる音楽トラック間のスムーズな遷移の生成、既存のオーディオクリップへの所望のスタイル特性の転送などが含まれる。
  論文  参考訳（メタデータ） (2023-11-01T16:01:01Z)
• AudioLDM 2: Learning Holistic Audio Generation with Self-supervised Pretraining [46.22290575167155]
  本稿では, 音声, 音楽, 音響効果生成のための同じ学習手法を用いた枠組みを提案する。 私たちのフレームワークでは、LOA(Language of Audio)と呼ばれる音声の一般的な表現を導入しています。
  論文  参考訳（メタデータ） (2023-08-10T17:55:13Z)
• AudioGen: Textually Guided Audio Generation [116.57006301417306]
  記述文キャプションに条件付き音声サンプルを生成する問題に対処する。 本研究では,テキスト入力に条件付き音声サンプルを生成する自動回帰モデルであるAaudioGenを提案する。
  論文  参考訳（メタデータ） (2022-09-30T10:17:05Z)
• Audio-to-symbolic Arrangement via Cross-modal Music Representation Learning [11.247238840604282]
  優れたアレンジモデルは、オーディオコンテンツだけでなく、ピアノ構成に関する事前知識も考慮すべきである。 音声から和音と旋律情報を抽出するクロスモーダル表現学習モデルを提案する。 実験により,本モデルが主要な音声情報をキャプチャし,生成品質においてベースラインを上回ることを示す。
  論文  参考訳（メタデータ） (2021-12-30T16:05:30Z)
• Learning music audio representations via weak language supervision [14.335950077921435]
  我々は,一連のプロキシタスクによって最適化された音楽と言語事前学習(MuLaP)のためのマルチモーダルアーキテクチャを設計する。 弱い監督は、トラックの全体的な音楽内容を伝える、騒々しい自然言語記述の形で提供される。 提案手法の有効性を,同一のオーディオバックボーンが生成する音声表現の性能と,異なる学習戦略とを比較して示す。
  論文  参考訳（メタデータ） (2021-12-08T10:30:52Z)
• MusCaps: Generating Captions for Music Audio [14.335950077921435]
  時間的注目のエンコーダデコーダで構成された最初の音楽オーディオキャプションモデルであるMusCapsを紹介します。 本手法は畳み込み型ニューラルネットワークアーキテクチャと繰り返し型ニューラルネットワークアーキテクチャを組み合わせて,音声テキスト入力を共同処理する。 我々のモデルは、分類に基づく音楽記述から脱却し、聴覚と言語の両方の理解を必要とするタスクを組み合わせている。
  論文  参考訳（メタデータ） (2021-04-24T16:34:47Z)
• Unsupervised Cross-Domain Singing Voice Conversion [105.1021715879586]
  任意の同一性から音声変換を行うタスクに対して,wav-to-wav生成モデルを提案する。 提案手法は,自動音声認識のタスクのために訓練された音響モデルとメロディ抽出機能の両方を用いて波形ベースジェネレータを駆動する。
  論文  参考訳（メタデータ） (2020-08-06T18:29:11Z)

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。