基于区间的分词策略在符号音乐分析中的音高表示评估
信息检索
2025-01-09 v1 声音
音频与语音处理
摘要
符号音乐分析任务常由最初为自然语言处理领域而设计的模型（如 Transformer）完成。此类模型要求输入数据以序列形式呈现，这通过分词（tokenization）过程实现。符号音乐的分词策略往往依赖绝对 MIDI 值来表示音高信息。然而，音乐研究提倡使用更高层次的表示，如旋律轮廓和和声关系，其中音高区间比绝对音高更具表达力。本文引入一个构建区间分词的通用框架。通过在三项音乐分析任务上评估这些分词，我们表明区间分词可提升模型性能并促进其可解释性。
关键词
引用
@article{arxiv.2501.04630,
title = {Evaluating Interval-based Tokenization for Pitch Representation in Symbolic Music Analysis},
author = {Dinh-Viet-Toan Le and Louis Bigo and Mikaela Keller},
journal= {arXiv preprint arXiv:2501.04630},
year = {2025}
}
备注
Accepted at Artificial Intelligence for Music Workshop at AAAI 2025 (https://ai4musicians.org/2025aaai.html)