使用数据增强评估深度音乐生成方法
声音
2022-01-04 v1 机器学习
音频与语音处理
摘要
尽管深度算法音乐生成取得了进展，生成样本的评估通常依赖人工评价，后者主观且昂贵。我们致力于设计一个同质、客观的音乐生成样本评估框架。任何用于评估生成音乐的工程化度量通常试图定义样本的音乐性，但未能捕捉诸如主题或情绪等音乐特质。我们不求评估生成音乐的艺术价值，而是探究生成样本是否包含与情感或情绪/主题相关的有意义信息。我们通过测量以生成样本扩充训练数据后音乐情绪/主题分类器预测性能的变化来实现这一点。我们分析了三种模型——SampleRNN、Jukebox 和 DDSP——生成的音乐样本，并在所有方法上采用同质框架以进行客观比较。这是首次尝试用条件生成音乐扩充音乐流派分类数据集。我们利用数据集的额外情绪标注，考察了使用深度音乐生成的分类性能提升以及生成器创作情绪化音乐的能力。最后，我们使用在真实数据上训练的分类器来评估类条件生成样本的标签有效性。
引用
@article{arxiv.2201.00052,
title = {Evaluating Deep Music Generation Methods Using Data Augmentation},
author = {Toby Godwin and Georgios Rizos and Alice Baird and Najla D. Al Futaisi and Vincent Brisse and Bjoern W. Schuller},
journal= {arXiv preprint arXiv:2201.00052},
year = {2022}
}