論文の概要: How Close to the Theme? Similarity-Label Conditioning for Game Music Generation

• arxiv url: http://arxiv.org/abs/2611.01047v2
• Date: Tue, 03 Nov 2026 12:00:30 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:55:12.031574
• Title: How Close to the Theme? Similarity-Label Conditioning for Game Music Generation
• Title（参考訳）: ゲーム・ミュージック・ジェネレーションのための類似性ラベル・コンディショニング
• Abstract要約: 我々はスーパーマリオのパーツからセクションペアで事前訓練されたMIDIモデルを訓練する。 ラベルはそれぞれのペアの類似性を示し、コンテキストベクトルは与えられたセクションまたはコンテキストを要約する。 1つの主要な尺度はメロディ、ピッチ内容、リズム、ノートの長さをカバーしている。
• 参考スコア（独自算出の注目度）: 3.4798711340521638
• License:
• Abstract: Composers develop music from an original idea, controlling how similar each new section is to it, from near repetition to new material. Game music needs this often, as its material repeats over long play. Music models, however, rarely learn to control similarity from real pieces. We further train a pretrained MIDI model on section pairs from Super Mario pieces. A label states each pair's similarity, and a context vector summarises the given section, or context. For 157 test contexts, the model generates six outputs per label. Twelve measures score the outputs; one main measure each covers melody, pitch content, rhythm and note length. On average, outputs requested as similar are more similar to their context than those requested as dissimilar, and not to other pieces. All twelve measures favour them; each main measure stays significant after correction for multiple tests. On melody, the gap comes mainly from more frequent restatement of the context's melody. Against an otherwise identical model without a label, only the request for high similarity makes outputs more similar. In a listening test, ratings followed melodic overlap with the context most closely of all measures.
• Abstract（参考訳）: 作曲家は、曲をオリジナルのアイデアから発展させ、新しいセクションがどれほど類似しているかを、ほぼ繰り返しから新しい素材へと制御する。 ゲーム音楽は、その素材が長いプレーを繰り返すため、これを頻繁に必要とします。 しかし、音楽モデルは、実際の曲から類似性を制御することを学ぶことは滅多にない。 スーパーマリオのパーツからセクションペアに事前訓練されたMIDIモデルをトレーニングする。 ラベルはそれぞれのペアの類似性を示し、コンテキストベクトルは与えられたセクションまたはコンテキストを要約する。 157のテストコンテキストでは、ラベル毎に6つのアウトプットを生成する。 12の測度がアウトプットをスコアし、それぞれメロディ、ピッチ内容、リズム、ノートの長さをカバーしている。 平均的に、同様の要求された出力は、要求されたものと異なるものよりもコンテキストに似ており、他のものとは似ていない。 それぞれの主要な尺度は、複数のテストの修正後に重要なままである。 メロディでは、このギャップは主に、文脈のメロディのより頻繁な再帰に由来する。 ラベルのない同じモデルに対して、高い類似性の要求だけが出力をより類似させる。 リスニングテストでは、評価はすべての指標の中で最も密接な文脈とメロディックな重複をたどった。

関連論文リスト

• Don't CLAP: Are Music-Text Models Bag-of-Words? [48.14216349080224]
  CLAPスコアは, 微粒な音楽的意味や属性の結合を捉えないことを示す。 以上の結果から,CLAPスコアとその関連指標が詳細な音楽的意味や属性の結合を捉えていないことを示す。
  論文  参考訳（メタデータ） (2026-09-24T20:48:16Z)
• MelodySim: Measuring Melody-aware Music Similarity for Plagiarism Detection [5.80717487254309]
  MelodySimはメロディを意識した音楽類似モデルであり、盗作検出のためのデータセットである。 既存のMIDIデータセットであるSlakh2100を拡大することにより、メロディを保存しながら各曲のバリエーションを生成する。 ユーザーによる調査では、正のペアは確かに類似の旋律を含んでいることが確認され、他の音楽トラックは大幅に変化した。
  論文  参考訳（メタデータ） (2025-05-27T10:14:03Z)
• MusicFlow: Cascaded Flow Matching for Text Guided Music Generation [53.63948108922333]
  MusicFlowは、フローマッチングに基づくケースドテキストから音楽への生成モデルである。 学習目的としてマスク予測を活用することで,音楽の充実や継続といった他のタスクにモデルを一般化することができる。
  論文  参考訳（メタデータ） (2024-10-27T15:35:41Z)
• Unsupervised Melody-to-Lyric Generation [91.29447272400826]
  本稿では,メロディ・歌詞データを学習することなく高品質な歌詞を生成する手法を提案する。 我々は、メロディと歌詞のセグメンテーションとリズムアライメントを利用して、与えられたメロディをデコード制約にコンパイルする。 我々のモデルは、強いベースラインよりもオントピー的、歌いやすく、知性があり、一貫性のある高品質な歌詞を生成することができる。
  論文  参考訳（メタデータ） (2023-05-30T17:20:25Z)
• 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)
• Museformer: Transformer with Fine- and Coarse-Grained Attention for Music Generation [138.74751744348274]
  本研究では,音楽生成に新たな細粒度・粗粒度対応トランスフォーマーであるMuseformerを提案する。 具体的には、細かな注意を払って、特定のバーのトークンは、音楽構造に最も関係のあるバーのトークンに、直接参加する。 粗い注意を払って、トークンは計算コストを減らすために、それぞれのトークンではなく他のバーの要約にのみ参加する。
  論文  参考訳（メタデータ） (2022-10-19T07:31:56Z)
• A Unified Model for Zero-shot Music Source Separation, Transcription and Synthesis [13.263771543118994]
  1)混合音源から個々の音源をテキスト化する,2)各音源をMIDI音符に書き起こす,3)分離音源の音色に基づいて新曲を合成する,という3つのタスクの統一モデルを提案する。 このモデルは、人間が音楽を聴くとき、私たちの心は異なる楽器の音を分離できるだけでなく、スコアや音色といったハイレベルな表現も認識できるという事実にインスピレーションを受けています。
  論文  参考訳（メタデータ） (2021-08-07T14:28:21Z)
• Disentangled Multidimensional Metric Learning for Music Similarity [36.74680586571013]
  音楽類似性検索は、同じ「フィール」で1つの録音を別の録音に置き換えるのに有用である 音楽の類似性は定義が難しく、類似性の複数の同時概念に依存している。 我々は多次元類似性の概念を導入し、グローバルおよび特殊類似性メトリクスを単一のメートル法に統一する。
  論文  参考訳（メタデータ） (2020-08-09T13:04:25Z)

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。