解码音乐来源：区分人类与AI作曲家
机器学习
2025-09-16 v1
摘要
随着大型语言模型（LLM）的快速发展，AI驱动的音乐生成已成为活跃且富有成果的研究领域。然而，音乐数据的表示方式仍然是一大挑战。为此，本文开发了一种新型、面向机器学习的音乐记谱系统YNote。本研究利用YNote训练一种有效的分类模型，能够区分音乐是由人类（Native）、基于规则的算法（Algorithm Generated）还是LLM（LLM Generated）创作。我们将其建模为文本分类问题，应用词频—逆文档频率（TF-IDF）算法从YNote序列中提取结构特征，并使用合成少数过采样技术（SMOTE）解决数据不平衡问题。最终得到的模型达到了98.25%的准确率，成功证明YNote保留了足够的风格信息用于分析。更重要的是，模型能够识别不同AI生成技术留下的独特“技术指纹”，为追踪AI生成内容的来源提供了强大工具。
引用
@article{arxiv.2509.11369,
title = {Decoding Musical Origins: Distinguishing Human and AI Composers},
author = {Cheng-Yang Tsai and Tzu-Wei Huang and Shao-Yu Wei and Guan-Wei Chen and Hung-Ying Chu and Yu-Cheng Lin},
journal= {arXiv preprint arXiv:2509.11369},
year = {2025}
}