مقاله مشابه اما سریعتر: دستکاری تمپو در جاسازی‌های صوتی موسیقی برای پیش‌بینی و جستجوی تمپو

چکیده

Audio embeddings enable large scale comparisons of the similarity of audio files for applications such as search and recommendation. Due to the subjectivity of audio similarity, it can be desirable to design systems that answer not only whether audio is similar, but similar in what way (e.g., wrt. tempo, mood or genre). Previous works have proposed disentangled embedding spaces where subspaces representing specific, yet possibly correlated, attributes can be weighted to emphasize those attributes in downstream tasks. However, no research has been conducted into the independence of these subspaces, nor their manipulation, in order to retrieve tracks that are similar but different in a specific way. Here, we explore the manipulation of tempo in embedding spaces as a case-study towards this goal. We propose tempo translation functions that allow for efficient manipulation of tempo within a pre-existing embedding space whilst maintaining other properties such as genre. As this translation is specific to tempo it enables retrieval of tracks that are similar but have specifically different tempi. We show that such a function can be used as an efficient data augmentation strategy for both training of downstream tempo predictors, and improved nearest neighbor retrieval of properties largely independent of tempo.

چکیده به فارسی (ترجمه ماشینی)

تعبیه های صوتی مقایسه های بزرگی از شباهت پرونده های صوتی را برای برنامه هایی مانند جستجو و توصیه امکان پذیر می کند.با توجه به ذهنیت شباهت صوتی ، می تواند مطلوب برای طراحی سیستم هایی باشد که نه تنها پاسخ می دهند که آیا صوتی مشابه است ، بلکه به چه روشی مشابه است (به عنوان مثال ، سرعت ، خلق و خوی ، خلق و خوی یا ژانر).آثار قبلی فضاهای تعبیه شده جدا شده را پیشنهاد کرده اند که در آن زیر مجموعه هایی که نمایانگر خاص و در عین حال همبستگی هستند ، می توانند برای تأکید بر آن ویژگی ها در کارهای پایین دست ، از ویژگی ها استفاده کنند.با این حال ، هیچ تحقیقاتی در مورد استقلال این زیر مجموعه ها و نه دستکاری آنها انجام نشده است تا بتواند آهنگهایی را که از نظر خاص مشابه هستند ، بازیابی کنند.در اینجا ، ما دستکاری سرعت در جاسازی فضاها را به عنوان یک مطالعه موردی به سمت این هدف بررسی می کنیم.ما توابع ترجمه TEMPO را پیشنهاد می کنیم که امکان دستکاری کارآمد از سرعت در یک فضای تعبیه شده از قبل موجود را فراهم می کند در حالی که حفظ خواص دیگر مانند ژانر.از آنجا که این ترجمه خاص برای سرعت است ، بازیابی آهنگ هایی را که مشابه هستند اما به طور خاص دارای شرایط متفاوت هستند ، امکان پذیر می کند.ما نشان می دهیم که چنین عملکردی می تواند به عنوان یک استراتژی تقویت داده کارآمد برای هر دو آموزش پیش بینی کننده سرعت پایین دست و بهبود نزدیکترین بازیابی همسایه از خواص تا حد زیادی مستقل از سرعت استفاده شود.