MQAD：面向训练音乐大语言模型的大规模问答数据集
声音
2025-08-28 v1
摘要
问答（QA）是人类理解音乐音频的自然方式。然而，对于机器来说，获取覆盖音乐多样方面的大规模数据集至关重要且具有挑战性，这由于公共可获取的此类音乐数据的稀缺。本文介绍了 MQAD，一个构建于 Million Song Dataset（MSD）上的音乐 QA 数据集，涵盖了丰富的音乐特征，包括节拍、和弦、调性、结构、乐器和流派——覆盖 27 万首歌曲，包含近 300 万个多样化问题和标题。MQAD 独特之处在于提供了详细的时间变化音乐信息，如和弦和段落， enables 在歌曲内探索音乐的内在结构。为编译 MQAD，我们的方法利用专业的音乐信息检索（MIR）模型提取更高层次的音乐特征，并利用大型语言模型（LLM）生成自然语言 QA 对。然后，我们利用一种多模态 LLM，将 LLaMA2 和 Whisper 架构集成在一起， along with novel subjective metrics 来评估 MQAD 的性能。在实验中，我们的模型在 MQAD 上训练后显示出超过传统音乐音频标题生成方法的进步。数据集和代码均可在 https://github.com/oyzh888/MQAD 上获取。
引用
@article{arxiv.2508.19514,
title = {MQAD: A Large-Scale Question Answering Dataset for Training Music Large Language Models},
author = {Zhihao Ouyang and Ju-Chiang Wang and Daiyu Zhang and Bin Chen and Shangjie Li and Quan Lin},
journal= {arXiv preprint arXiv:2508.19514},
year = {2025}
}