ترجمه فارسی مقاله تولید طبل نمادین شرطی‌شده با متن با استفاده از مدل‌های انتشار پنهان

چکیده

This study introduces a text-conditioned approach to generating drumbeats with Latent Diffusion Models (LDMs). It uses informative conditioning text extracted from training data filenames. By pretraining a text and drumbeat encoder through contrastive learning within a multimodal network, aligned following CLIP, we align the modalities of text and music closely. Additionally, we examine an alternative text encoder based on multihot text encodings. Inspired by musics multi-resolution nature, we propose a novel LSTM variant, MultiResolutionLSTM, designed to operate at various resolutions independently. In common with recent LDMs in the image space, it speeds up the generation process by running diffusion in a latent space provided by a pretrained unconditional autoencoder. We demonstrate the originality and variety of the generated drumbeats by measuring distance (both over binary pianorolls and in the latent space) versus the training dataset and among the generated drumbeats. We also assess the generated drumbeats through a listening test focused on questions of quality, aptness for the prompt text, and novelty. We show that the generated drumbeats are novel and apt to the prompt text, and comparable in quality to those created by human musicians.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه یک رویکرد متنی برای تولید طبل با مدل های انتشار نهان (LDMS) را معرفی می کند.از متن تهویه آموزنده استخراج شده از نام های داده های آموزش استفاده می کند.با استفاده از یک متن و رمزگذار Drumbeat از طریق یادگیری متضاد در یک شبکه چند حالته ، که به دنبال کلیپ زیر است ، ما روش های متن و موسیقی را از نزدیک تراز می کنیم.علاوه بر این ، ما یک رمزگذار متن جایگزین را بر اساس رمزگذاری متن MultiHot بررسی می کنیم.با الهام از طبیعت چند وضوح موسیقی ، ما یک نوع LSTM جدید ، MultireSolutionLSTM را پیشنهاد می کنیم که به طور مستقل در قطعنامه های مختلف کار می کند.به طور مشترک با LDM های اخیر در فضای تصویر ، این روند تولید را با اجرای انتشار در یک فضای نهفته ارائه شده توسط یک اتومبیل پیشین بدون قید و شرط ، سرعت می بخشد.ما با اندازه گیری فاصله (هم از طریق پیانورول های باینری و هم در فضای نهفته) در مقابل مجموعه داده های آموزش و در بین درام های تولید شده ، اصالت و تنوع درام های تولید شده را نشان می دهیم.ما همچنین Drumbeats تولید شده را از طریق یک آزمون گوش دادن متمرکز بر سؤالات مربوط به کیفیت ، اشتیاق برای متن سریع و تازگی ارزیابی می کنیم.ما نشان می دهیم که drumbeats تولید شده جدید و متناسب با متن سریع است و از نظر کیفیت با کسانی که توسط موسیقی دانان انسانی ایجاد شده اند قابل مقایسه است.