The Internet Archive Music Dataset
LTCI, Télécom Paris, Institut Polytechnique de Paris(巴黎理工学院电信巴黎高等学院LTCI实验室)
我们提出了互联网档案馆音乐数据集(IAMD),一个包含超过34,000小时音频的最大公开音乐-字幕数据集,并设计了一种自动字幕生成流程,经评估该流程可靠且可扩展。
2026-09-21 cs.MM cs.SD
Pre-Training Strategies Using Contrastive Learning and Playlist Information for Music Classification and Similarity
Utopia Music(乌托邦音乐公司);Music Technology Group, Universitat Pompeu Fabra(庞培法布拉大学音乐技术组)
本文提出利用播放列表共现信息结合对比学习进行音乐表征预训练,通过三种锚点-正例对构造策略,提升了音乐相似度及流派、情绪、乐器多标签分类性能。
2023-04-24 cs.SD eess.AS
Jamendo-QA: A Large-Scale Music Question Answering Dataset
Department of Artificial Intelligence, Yonsei University(延世大学人工智能系);MAAP LAB, MODULABS(MODULABS MAAP实验室);KRAFTON;AI Matics;Department of Media Software, Sungkyul University(顺天大学媒体软件系)
本文提出大规模音乐问答数据集 Jamendo-QA,基于 Jamendo 平台自由许可曲目并由 Qwen-Omni 自动标注,提供音频对齐的问答对与描述,支持监督训练和零样本评估,旨在填补音乐问答数据空白并促进音乐理解、多模态建模与公平评估研究。
2025-09-19 cs.MM cs.SD eess.AS
Music Genre Bars
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
音乐体裁作为一种流行的音乐元数据,对于音乐数据集的组织、挖掘和检索具有重要的意义。软音乐流派是对歌曲的加权多流派注释。在这项初步工作中,我们提出了水平堆叠的条形图来表示由这些软音乐流派注释的音乐数据集。为此,我们以一个玩具数据集为例,该数据集由三种音乐类型的歌曲组成;蓝调,爵士乐和乡村音乐。我们演示了如何将这样的堆叠条形图用作界面中用户输入的滑块。我们实现这一点,通过嵌入这个流派酒吧在流媒体应用程序原型,并显示其实用程序在选择播放列表。最后,我们提出了进一步的工作和未来的探索,我们提出的初步研究结论。
2021-02-27 cs.HC cs.SD eess.AS
ConchShell: A Generative Adversarial Networks that Turns Pictures into Piano Music
Guangzhou University(广州大学)
我们提出了ConchShell,这是一个多模态生成对抗框架,它将图片作为网络的输入,并生成与图片上下文相匹配的钢琴音乐样本。受I3 D的启发,我们提出了一种新的图像特征表示方法:时间-卷积神经网络(TCNN),用于在时间维上伪造图像的特征。虽然我们的图像数据只包括六个类别,我们提出的框架将是创新的和商业意义。该项目将为3D游戏配音、短视频配乐、虚拟世界背景音乐实时生成等工作提供技术思路。我们还发布了一个新的数据集--Beach-Ocean-Piano Dataset(BOPD)1,其中包含3,000多张图像和1,500多首钢琴曲。该数据集将支持多模态图像到音乐的研究。
2022-10-11 cs.IR cs.SD eess.AS
CHORDONOMICON: A Dataset of 666,000 Songs and their Chord Progressions
本研究推出包含66.6万余首带标注歌曲和弦进行的Chordonomicon数据集,验证了其在分类与生成任务的实用性,为探索多类先进机器学习技术提供理想测试平台。
2026-10-02 cs.LG cs.MM cs.SD
A Dataset for Greek Traditional and Folk Music: Lyra
National Technical University of Athens(雅典国家技术大学);National and Kapodistrian University Of Athens(雅典国立卡波迪斯特里亚大学);National Center for Scientific Research - Demokritos(国家科学研究中心——德谟克利特);Athena RC(雅典娜研究中心)
在MIR的范围内研究代表性不足的音乐传统是至关重要的,不仅是为了开发新的分析工具,而且是为了揭示可能在研究世界音乐中有用的音乐功能。本文介绍了一个希腊传统和民间音乐的数据集,包括1570件作品,总结了大约80小时的数据。该数据集包含用于检索音频和视频的YouTube时间戳链接,以及关于乐器,地理和流派等的丰富元数据信息。内容已从在线提供的希腊纪录片系列中收集,其中学者在演出期间通过现场音乐和舞蹈表演展示希腊的音乐传统,以及对所呈现音乐的社会,文化和音乐学方面的讨论。因此,这一程序产生了大量关于音乐流派、起源地和乐器等各个方面的描述。此外,在录音设备方面,录音是按照严格的制作规格进行的,因此音频内容非常干净和均匀。在这项工作中,除了详细介绍数据集外,我们还提出了一种基线深度学习分类方法来识别所涉及的音乐学属性。数据集、基线分类方法和模型在公共储存库中提供。进一步完善数据集的未来方向也进行了讨论。
2022-11-21 cs.LG cs.SD eess.AS
Exploratory Analysis of a Large Flamenco Corpus using an Ensemble of Convolutional Neural Networks as a Structural Annotation Backend
University of Seville(塞维利亚大学);University of Piraeus(比雷埃夫斯大学)
我们提出了计算工具,我们开发了一个大型语料库的弗拉门戈音乐录音的分析,以及相关的探索性研究结果。所提出的计算后端基于一组卷积神经网络,其提供关于人声、吉他和拍手(“手掌”)的存在的每个音乐记录的结构注释。由此产生的自动提取的注释,允许以结构上有意义的方式可视化音乐录音,提取与弗拉门戈音乐乐器相关的全球统计数据,检测无伴奏合唱和没有此类信息的乐器录音,调查不同风格的结构和乐器的差异,以及研究乐器和风格的音调。报告的研究结果表明,它是可行的,以执行大规模的弗拉门戈音乐与国家的最先进的分类技术分析,并产生自动提取的描述符,这是音乐学上的有效和有用的,在这个意义上说,他们可以增强传统的元数据方案,并协助弥合录音和高层次的音乐学概念之间的语义差距。
2018-06-29 cs.SD eess.AS
Barwise Section Boundary Detection in Symbolic Music Using Convolutional Neural Networks
本文针对符号音乐乐段边界检测问题,构建了基于Lakh MIDI的人工标注数据集,并提出基于合成泛音编码和卷积神经网络的检测方法,F1达到0.77,显著优于音频方法。
2025-09-20 cs.LG cs.SD eess.AS
Aria-MIDI: A Dataset of Piano MIDI Files for Symbolic Music Modeling
Queen Mary University of London(伦敦大学Queen Mary分校)
本文提出Aria-MIDI数据集,通过多阶段管道将钢琴音频转录为MIDI文件,包含超百万文件和10万小时音频,为符号音乐建模提供丰富资源。
2025-04-21 cs.AI cs.LG cs.SD
Collaborative Song Dataset (CoSoD): An annotated dataset of multi-artist collaborations in popular music
Harvard University(哈佛大学);Graduate Center, City University of New York(纽约城市大学研究生中心)
本研究推出聚焦独立艺人合作的流行音乐标注数据集CoSoD,含331首Billboard Hot 100年终榜合作曲,标注了结构、人声制作特征及性别等信息,并通过实验发现男女在混响使用、立体声位置上存在差异。
2023-07-13 cs.SD eess.AS
ArtistMus: A Globally Diverse, Artist-Centric Benchmark for Retrieval-Augmented Music Question Answering
ArtistMus提出一个全球多样、以艺术家为中心的基准,通过检索增强生成技术提升音乐问答的准确性和上下文推理能力。
2026-02-15 cs.AI cs.CL cs.IR
Meta Audiobox Aesthetics: Unified Automatic Quality Assessment for Speech, Music, and Sound
FAIR at Meta(Meta FAIR实验室);Reality Labs at Meta(Meta Reality Labs)
本文提出Meta Audiobox Aesthetics,通过四轴标注指南和无参考逐项预测模型,统一自动评估语音、音乐与声音的美学质量,性能达到或超越人类MOS与现有方法,并开源模型与数据集。
2025-02-07 cs.LG cs.SD eess.AS
The Music Streaming Sessions Dataset
Spotify Research(Spotify研究院)
在线流媒体服务面临的许多重要机器学习问题的核心是需要对用户如何与他们所服务的内容进行交互建模。不幸的是,目前还没有公共数据集可以让研究人员探索这个主题。为了推动这项研究,我们发布了音乐流媒体会话数据集(MSSD),其中包括1.6亿个收听会话和相关的用户操作。此外,我们还为日志中提到的约370万首独特曲目提供音频功能和元数据。这是目前向公众提供的此类轨道元数据的最大集合。该数据集支持对重要问题的研究,包括如何对流媒体中的用户收听和交互行为进行建模,以及音乐信息检索(MIR)和基于会话的顺序推荐。此外,使用均匀随机的推荐设置收集会话的子集,使得它们能够用于对这种顺序推荐的反事实评估。最后,我们提供了一个用户行为的分析,并提出了进一步的研究问题,可以使用数据集解决。
2020-10-14 cs.HC cs.IR cs.LG
MulTTiPop: A Multitrack Transcription Dataset for Pop Music
Carnegie Mellon University(卡内基梅隆大学)
介绍用于评估自动音乐转录模型的MulTTiPop数据集,通过对Lakh MIDI和TheoryTab数据集歌曲片段基于元数据匹配等方式收集,评估模型发现有改进空间,最佳模型起始F1得分为38%。
2026-08-21 cs.LG cs.SD
Jamendo-MT-QA: A Benchmark for Multi-Track Comparative Music Question Answering
Yonsei University(延世大学);KRAFTON;University of Oxford(牛津大学);George Mason University(乔治梅森大学);Sungkyul University(圣洁大学);MODULABS MAAP;Onoma AI
本文提出Jamendo-MT-QA基准测试,用于评估多轨比较音乐问答能力,基于Jamendo-QA数据集构建36519个比较问答项,采用LLM辅助生成和过滤问题,并通过自动指标和LLM-as-a-Judge评估模型性能。
2026-04-08 cs.IR cs.MM cs.SD
Reddit2Deezer: A Scalable Dataset for Real-World Grounded Conversational Music Recommendation
University of California San Diego(加州大学圣地亚哥分校)
本文提出Reddit2Deezer数据集,基于19万独特的线程和叶子评论对,提供真实对话音乐推荐资源,包含原始和改写版本,链接音乐实体到Deezer标识符,支持未来内容基础对话推荐研究。
2026-05-09 cs.IR cs.SD
The Persian Piano Corpus: A Collection Of Instrument-Based Feature Extracted Data Considering Dastgah
Islamic Azad University Karaj Branch(伊斯兰阿扎德大学卡拉季分校)
为解决音乐研究中数据缺乏包容性的问题,本文构建了包含 2022 首乐曲及 Dastgah 标签的波斯钢琴语料库(PPC),并提取特征数据以支持波斯音乐的深入研究。
2023-11-18 cs.LG cs.MM cs.SD
BMdataset: A Musicologically Curated LilyPond Dataset
Department of Information Engineering , University of Padua(信息工程系,帕多瓦大学);Boston University(波士顿大学)
本文提出BMdataset,包含393个LilyPond乐谱,用于音乐理解研究,并引入LilyBERT模型,证明小规模专家编纂数据集在音乐识别任务中优于大规模噪声数据集。
2026-06-07 cs.CL cs.IR cs.SD
SANGEET: A XML based Open Dataset for Research in Hindustani Sangeet
XIM University(XIM大学)
本文构建基于 XML 的开放数据集 SANGEET,标准化保存 Bhatkhande 的北印度古典音乐作品信息,并展示其在检索、可视化及统计与机器学习分析中的应用。
2023-06-07 cs.IR cs.LG cs.SD
Who Will Top the Charts? Multimodal Music Popularity Prediction via Adaptive Fusion of Modality Experts and Temporal Engagement Modeling
GAMENet通过融合多模态数据和时间参与建模,提升了音乐流行度预测的准确性。
2025-12-06 cs.AI cs.LG cs.SD
The IRMA Dataset: A Structured Audio-MIDI Corpus for Iranian Classical Music
Cu Test Inc.(Cu Test公司)
本文提出 IRMA 数据集,一个面向伊朗古典音乐 radif 研究的多层级开放语料库,整合 MIDI、音频对齐、音乐学转录与理论比较表,支持民族音乐学、文化遗产保护及 AI 音乐生成与自动转录等应用。
2025-08-27 cs.DL cs.SD
Towards Robust Version Identification in the Wild: A Dataset, Benchmark, and Fine-Tuning Study
该研究针对真实场景下音乐版本识别的领域不匹配问题,推出大规模DiVers数据集并开展基准测试,训练出的模型在多样含噪输入上鲁棒性显著提升且在干净基准上性能稳定,相关资源已开源支持可复现。
2026-08-06 cs.IR cs.SD
Meta-learning Extractors for Music Source Separation
Charles University(查理大学);Preferred Networks
我们提出了一个分层的元学习启发模型的音乐声源分离(Meta-TasNet),其中一个生成器模型用于预测各个提取器模型的权重。这实现了高效的参数共享,同时仍然允许仪器特定的参数化。Meta-TasNet被证明比独立训练或在多任务环境中训练的模型更有效,并且实现了与最先进方法相当的性能。与后者相比,我们的提取器包含更少的参数,并具有更快的运行时性能。我们讨论了重要的架构考虑因素,并探讨了这种方法的成本和收益。
2020-02-17 cs.LG cs.SD eess.AS
PBSCR: The Piano Bootleg Score Composer Recognition Dataset
University of Washington(华盛顿大学);Columbia University(哥伦比亚大学);Harvey Mudd College(哈维穆德学院)
本文发布PBSCR数据集,利用IMSLP乐谱与bootleg score二值图像表示,提供9类、100类标注集及未标注预训练集,并给出监督与少样本基线以支持古典钢琴作曲家识别研究。
2024-08-05 cs.LG cs.SD eess.AS
Between the AI and Me: Analysing Listeners' Perspectives on AI- and Human-Composed Progressive Metal Music
Queen Mary University of London(伦敦玛丽女王大学)
本文通过32名前卫金属乐迷的聆听研究,结合定量与定性方法,验证了微调Transformer模型ProgGP可实现类型专业化,并发现听众能区分AI与人类作品且更偏好人类创作。
2024-07-31 cs.AI cs.HC cs.SD
PianoVAM: A Multimodal Piano Performance Dataset
本文提出PianoVAM多模态钢琴演奏数据集,包含视频、音频、MIDI、手部关键点及指法标签,并给出音视频钢琴转录基准结果。
2025-09-10 cs.AI cs.CV cs.MM
Personalized Dynamic Music Emotion Recognition with Dual-Scale Attention-Based Meta-Learning
Zhejiang University(浙江大学)
本文提出DSAML方法,通过双尺度注意力Transformer捕获短长期依赖,并结合按标注者划分任务的元学习策略,仅需一个个性化样本即可实现个性化动态音乐情感识别。
2024-12-26 cs.IR cs.SD eess.AS
Project Qualia: Recovering Experiential Music Structure from Session Co-occurrence Data
DePaul University(德保罗大学);Hampton University(汉普顿大学)
Project Qualia通过分析大规模收听会话数据,训练Song2Vec模型并采用艺术家残差方法,成功从嵌入中恢复了独立于艺术家身份的体验性音乐结构,验证了该结构的可学习性。
2026-09-11 cs.IR cs.LG cs.SD
DAWSON: A Domain Adaptive Few Shot Generation Framework
Stanford University(斯坦福大学)
从头开始训练一个新领域的生成对抗网络(GAN)需要大量的训练数据和数天的训练时间。为此,我们提出了DAWSON,一个基于元学习的GANs域自适应少镜头生成框架。应用元学习GANs的一个主要挑战是由于GANs的无可能性性质,通过在开发集上对其进行评估来获得生成器的梯度。为了应对这一挑战,我们提出了一种替代的GAN训练过程,它自然地结合了GANs的两步训练过程和元学习算法的两步训练过程。Dawson是一个即插即用的框架,支持广泛的元学习算法和各种具有架构变体的GANs。在道森模型的基础上,我们还提出了第一个Few-Shot音乐生成模型MUSIC MATINEE。我们的实验表明,MUSIC MATINEE可以快速适应新的领域,只有几十首歌曲从目标领域。我们还表明,道森可以学习生成新的数字只有四个样本的MNIST数据集。我们在PyTorch和Tensorflow中发布了DAWSON的源代码实现,生成了两种流派的音乐样本和闪电视频。
2020-01-02 cs.LG cs.SD eess.AS
Aligning Text-to-Music Evaluation with Human Preferences
Carnegie Mellon University(卡内基梅隆大学);Cornell University(康奈尔大学)
针对文本生成音乐(TTM)评估指标与人类感知相关性弱的问题,提出基于自监督音频嵌入表征的MAUVE音频散度(MAD)指标,在合成元评估与开源人类偏好数据集MusicPrefs上均显著优于现有FAD等指标。
2025-03-20 cs.AI cs.SD eess.AS
Can LLMs understand LilyPond? A benchmark for symbolic music generation and understanding
University of Padova(帕多瓦大学);Universitat Pompeu Fabra(庞培法布拉大学)
提出 LilyBench,基于 LilyPond 的基准,联合评估开源 LLM 的符号音乐生成与理解能力,实验表明零样本可生成可执行 LilyPond,但结构理解任务仍有挑战,且指标间存在系统性分歧。
2026-06-07 cs.CL cs.SD
ViTex: Visual Texture Control for Multi-Track Symbolic Music Generation via Discrete Diffusion Models
School of EECS, Peking University(电子工程系,北京大学);Music X Lab, MBZUAI(音乐X实验室,MBZUAI);Courant Institute of Mathematical Sciences, New York University(数学科学学院,纽约大学)
ViTex通过离散扩散模型实现多轨符号音乐生成的视觉纹理控制,结合乐器选择、音高时间及笔触属性,生成高质量音乐并支持纹理级操控。
2026-03-02 cs.SC cs.SD