SongFormer：基于异构监督的音乐结构分析规模化框架
音频与语音处理
2026-04-09 v3
摘要
音乐结构分析 (MSA) 为音乐理解和可控生成提供基础，但进展受限于小规模且一致性不足的语料库。我们提出 SongFormer，一个可从异构监督中学习的可扩展框架。SongFormer (i) 融合短窗口和长窗口的自监督学习表征，以捕获细粒度和长程依赖；(ii) 引入 learned source embedding，使模型能够使用部分、噪声且模式不匹配的标签进行训练。为支持规模化和公平评估，我们发布了 SongFormDB——目前最大的 MSA 语料库（超过 14000 首歌曲，涵盖多种语言和流派），以及 SongFormBench——一个 300 首经专家验证的基准数据集。在 SongFormBench 上，SongFormer 在严格边界检测 (HR.5F) 上取得了新的最佳成绩，实现了最高的功能标签准确率，同时保持计算效率；它在这些指标上超越了强大基线和 Gemini 2.5 Pro，并在宽松容忍 (HR3F) 下保持竞争力。代码、数据集和模型已开源于 https://github.com/ASLP-lab/SongFormer。
引用
@article{arxiv.2510.02797,
title = {SongFormer: Scaling Music Structure Analysis with Heterogeneous Supervision},
author = {Chunbo Hao and Ruibin Yuan and Jixun Yao and Qixin Deng and Xinyi Bai and Yanbo Wang and Wei Xue and Lei Xie},
journal= {arXiv preprint arXiv:2510.02797},
year = {2026}
}