WikiMuTe：一个从网络获取的音乐音频语义描述数据集

用于匹配自由文本与音乐的多模态深度学习技术在音乐信息检索（MIR）领域显示出有希望的结果。先前的工作通常基于大型专有数据，而公开可用的数据集数量少且规模小。在本研究中，我们提出了WikiMuTe，一个包含丰富音乐语义描述的新开放数据集。数据来源于维基百科涵盖音乐作品的大量文章目录。通过专用的文本挖掘流程，我们提取了涵盖与音乐内容相关的广泛主题（如流派、风格、情绪、乐器配置和速度）的长篇和短篇描述。为了展示该数据的用途，我们训练了一个联合学习文本和音频表示并执行跨模态检索的模型。该模型在两个任务上进行了评估：基于标签的音乐检索和音乐自动标注。结果表明，虽然我们的方法在多个任务上达到了最先进的性能，但根据训练所用数据的不同，性能仍然存在差异。