调高音乐：音乐风格迁移与预测
声音
2025-03-31 v1 机器学习
音频与语音处理
摘要
深度生成模型已被用于图像的风格迁移任务。在本研究中，我们改进并应用 CycleGAN 模型，对爵士乐和经典曲目进行风格迁移。通过这种方式，我们旨在轻松生成新歌曲、将音乐转换为不同风格，并减少这些过程中的编排需求。我们训练并使用音乐风格分类器来评估迁移模型的性能。为此，我们使用多层感知器算法获得了 87.7% 的准确率。为了改进我们的风格迁移基线，我们在模型中添加了辅助判别器和三角损失。根据我们的实验，我们在 Jazz to Classic 任务中获得了最佳准确率 69.4%，在 Classic to Jazz 任务中获得了 39.3%。我们还进行了主观实验，结果表明，我们的迁移模型整体性能良好，且能够在转换后的输出中保留输入的旋律。我们的代码已公开于 https://github.com/ fidansamet/tune-it-up
引用
@article{arxiv.2503.22008,
title = {Tune It Up: Music Genre Transfer and Prediction},
author = {Fidan Samet and Oguz Bakir and Adnan Fidan},
journal= {arXiv preprint arXiv:2503.22008},
year = {2025}
}