跨语言和音乐类型的合成歌词检测

近年来，使用大型语言模型(LLMs)生成音乐内容，尤其是歌词，受到广泛关注。这些进展为艺术家提供了有价值的工具，增强了他们的创作过程，但也引发了关于侵犯版权、消费者满意度和内容垃圾化的担忧。以往的研究探索了在 various领域的内容检测。然而，尚无研究聚焦于音乐中的文本模态——歌词。为填补这一空白，我们构建了一个来自多语言、多音乐类型和多位艺术家的真实与合成歌词的多样化数据集。该生成管道通过人类和自动化方法进行了验证。我们对现有的合成文本检测方法在歌词上的进行了彻底的评估，这是此前未曾探索的数据类型。我们还研究了通过无监督域适应方法，将表现最好的特征适应到歌词中的方法。在遵循音乐和工业约束的前提下，我们检验了这些方法在跨语言、数据可获得性规模、处理多语言内容以及在few-shot设置下处理新音乐类型的泛化能力。我们的发现表明，这些方法在跨语言和跨类型检测合成歌词方面具有前景，可为围绕AI生成音乐的政策决策提供信息，并提高用户透明度。