在基于深度学习的吉他指法转录系统中考虑可行性与成对似然的数据驱动方法

吉他指法转录是音乐信息检索领域中一个重要但研究不足的问题。传统信号处理方法在该任务上仅提供有限性能，且带有转录标签的声学数据很少用于训练机器学习模型。然而，仅吉他转录标签以指法谱形式更广泛可用，吉他手常在线共享。本工作中，利用一组符号化指法谱来估计吉他上音符的成对似然。基线指法转录模型的输出层被重新表述，从而可引入抑制损失以阻止不可能音符对的共激活。这自然施加了吉他的可演奏性约束，并产生与用于估计成对似然的符号数据更一致的指法谱。借助该方法，我们表明即便声学数据匮乏，符号化指法谱亦可用于塑造指法转录模型预测的分布。