ترجمه فارسی مقاله ترانسفورماتور موسیقی تودرتو: رمزگشایی متوالی توکن‌های مرکب در تولید موسیقی نمادین و صدا

چکیده

Representing symbolic music with compound tokens, where each token consists of several different sub-tokens representing a distinct musical feature or attribute, offers the advantage of reducing sequence length. While previous research has validated the efficacy of compound tokens in music sequence modeling, predicting all sub-tokens simultaneously can lead to suboptimal results as it may not fully capture the interdependencies between them. We introduce the Nested Music Transformer (NMT), an architecture tailored for decoding compound tokens autoregressively, similar to processing flattened tokens, but with low memory usage. The NMT consists of two transformers: the main decoder that models a sequence of compound tokens and the sub-decoder for modeling sub-tokens of each compound token. The experiment results showed that applying the NMT to compound tokens can enhance the performance in terms of better perplexity in processing various symbolic music datasets and discrete audio tokens from the MAESTRO dataset.

چکیده به فارسی (ترجمه ماشینی)

نمایش موسیقی نمادین با نشانه های مرکب ، جایی که هر نشانه از چندین زیرنویس مختلف تشکیل شده است که یک ویژگی یا ویژگی موسیقی مجزا را نشان می دهند ، مزیت کاهش طول دنباله را ارائه می دهد.در حالی که تحقیقات قبلی اثربخشی نشانه های مرکب در مدل سازی توالی موسیقی را تأیید کرده است ، پیش بینی همه زیر توکنها به طور همزمان می توانند منجر به نتایج زیر حد متوسط ​​شوند زیرا ممکن است به طور کامل وابستگی های متقابل بین آنها را ضبط نکند.ما ترانسفورماتور موسیقی تو در تو (NMT) را معرفی می کنیم ، معماری متناسب با رمزگشایی توکن های ترکیبی به صورت خودکار ، شبیه به پردازش نشانه های مسطح ، اما با استفاده از حافظه کم.NMT از دو ترانسفورماتور تشکیل شده است: رمزگشایی اصلی که دنباله ای از نشانه های مرکب و زیرزمین را برای مدل سازی زیر توکنهای زیر هر نشانه ترکیب مدل می کند.نتایج آزمایش نشان داد که استفاده از NMT برای نشانه های ترکیبی می تواند عملکرد را از نظر دچار اختلال بهتر در پردازش مجموعه داده های موسیقی نمادین مختلف و نشانه های صوتی گسسته از مجموعه داده ماسترو افزایش دهد.