音乐检索

📄 MeloBottleneck: Self-Supervised Melody Skeleton Extraction with a Latent Subsequence Bottleneck 标签：#音乐理解 #自监督学习 #音乐检索 #Transformer #零样本 7.5/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.7/1 | 影响 0.8/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 0.7/1.5 ✅ 7.5/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #音乐理解 | #自监督学习 | #音乐检索 #Transformer | arxiv 👥 作者与机构 第一作者：Fan Bu 通讯作者：未说明 作者列表：Fan Bu, Rongfeng Li, Linfeng Fan 机构信息：未说明 💡 毒舌点评 论文将旋律骨架提取问题重新定义为可学习的、长度可控的潜在子序列瓶颈，视角新颖，组合技术（自监督、先验、不变性学习）设计合理。然而，方法核心自监督信号严重依赖程序化装饰器生成的训练视图，且评估完全缺失对提取骨架音乐质量（如可听性、连贯性）的独立验证。这使得其从“有用的表征”到“可靠的音乐工具”的论证存在明显缺口，更像是为特定任务设计的编码技巧，而非一个真正理解音乐结构的模型。 ...

📄 Multimodal Video-to-Music Recommendation via Semantic Retrieval and Temporal Reranking #音乐检索 #多模态模型 #对比学习 5.4/10 | 创新 1.2/2 | 严谨 0.9/1.5 | 实验 0.5/1.5 | 清晰 0.8/1 | 影响 0.7/1.5 | 开源 0.1/1.5 | 复现 0/0.5 | 工程 1.2/1.5 📝 5.4/10 | 后50% | #音乐检索 | #对比学习 | #多模态模型 | arxiv 👥 作者与机构 第一作者：Seungheon Doh（未说明） 通讯作者：未说明 作者列表：Seungheon Doh（未说明）、Minhee Lee（未说明）、Sangmoon Lee（未说明）、Ben Sangbae Chon（未说明）、Juhan Nam（未说明） 💡 毒舌点评 本文构建了一个“检索+重排序”的两阶段视频音乐推荐框架，把多模态语义检索和时序交叉编码器拼成了一个完整系统，在评测基准上超越了通用跨模态模型，人类评估也显示音乐质量能吊打生成式方案。然而，实验部分缺少消融实验、关键训练细节几乎全部缺失、代码和模型都未开源，这些硬伤使得方法的有效部件无法区分，整个工作的学术可验证性约等于零。两阶段的独立贡献说不清楚，创新点看起来更像是工程拼装而非方法突破。 📌 核心摘要 论文针对视频配乐推荐任务，提出 VTMR 两阶段框架：第一阶段利用视频的RGB帧、非音乐音频和LLM生成的场景描述，与音乐音频及其LLM生成字幕和视频元数据，在共享嵌入空间中进行多模态语义检索，得到全局语义兼容的 top-N 候选音乐；第二阶段通过交叉编码器对视频的视听序列与候选音乐的声学序列进行时序交叉注意力打分，实现细粒度时间对齐重排序。相比以往仅依赖单模态全局嵌入的方法，VTMR 同时建模了全局语义兼容与局部时序对应。在 VidMuse 基准上，语义检索阶段将 R@10 从最强基线 ImageBind 的 14.2 提升至 15.9，MedR 从 75 降至 58；加入时序重排序后 R@10 进一步提升至 18.3，MedR 降至 46。人工 A-vs-B 测试中，VTMR 在与 Adobe Firefly 商用工具的总体偏好对比中具有竞争力（77% win+tie），且音乐质量远胜生成式基线 VidMuse（96% win+tie）。实际意义在于为视频创作者提供可检索高质量版权音乐的自动化工具，但主要局限在于缺少消融实验、训练超参数缺失且未开源，方法贡献的归因存疑。 ...

📄 Taste-aware music retrieval from audio embeddings #音乐检索 #预训练 #多任务学习 #可解释性 6.9/10 | 创新 1/2 | 严谨 1.1/1.5 | 实验 0.9/1.5 | 清晰 0.8/1 | 影响 0.4/1.5 | 开源 1.3/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ✅ 6.9/10 | 前50% | #音乐检索 | #预训练 | #多任务学习 #可解释性 | arxiv 👥 作者与机构 第一作者：Matteo Spanio（帕多瓦大学，CSC实验室） 通讯作者：未说明 作者列表：Matteo Spanio（帕多瓦大学，CSC实验室）、Antonio Rodà（帕多瓦大学，CSC实验室） 💡 毒舌点评 本文把一个已有心理学根基的“声‑味对应”任务做实成了可复现、可检索的MIR基准，单编码器就能把误差压到单人评估者的一半，这个结论很漂亮。但40项的测试集让几乎所有的融合收益都落在统计噪声里，检索实验的CLAP-text完全失效更像是prompt问题而非方法本质优势，对“辣味”这一缺乏心理学支撑的轴也没有充分辩护。 📌 核心摘要 论文将“从音频预测味觉”形式化为一个内容化音乐信息检索（MIR）基准，使用经过感知验证的多源语料库，预测甜、苦、咸、酸、辣五种味觉强度。 方法核心是冻结预训练音频编码器提取嵌入，经时间池化后送入一个共享的、带sigmoid输出的多层感知机进行多任务回归，损失为掩码MSE，并引入门控晚期融合来组合多编码器。 相比先前需微调五个独立AST回归器的工作，本文用一个多任务头取代五个独立头，并配合掩码损失和sigmoid输出，在极简的冻结编码器设置下大幅降低绝对误差，并额外增加了检索评估和心理学驱动的可解释性分析。 最佳系统（单VGGish或融合组合）在测试集上达到宏观RMSE 0.134，在真实音乐子集上误差（RMSE 0.13）不到单个人类评估者与共识偏差（RMSE 0.28）的一半；门控晚期融合将宏观Pearson \(r\) 从0.666提升到0.724；在309项检索池中，基于味觉向量检索的精度完全饱和，而CLAP-text基线几乎随机。 方法 宏观RMSE↓ 宏观MAE↓ 宏观Pearson \(r\) ↑ VGGish (单编码器) 0.134 0.109 0.666 VGGish+MULE (融合) 0.134 0.111 0.724 SOTA (AST 5头) 0.219 0.175 0.556 配置 RMSE↓ MAE↓ 宏观\(r\) ↑ SOTA (微调AST, 无界MSE) 0.219 0.175 0.556 +冻结AST, 每味MLP, 掩码MSE, sigmoid 0.143 0.115 0.663 +共享多任务头 0.143 0.116 0.658 +门控晚期融合 (VGGish+MULE) 0.134 0.111 0.724 实际意义在于为音乐推荐系统提供了一个可解释的“味觉”语义轴，可支持“相似但更甜”这类检索，且模型误差已低于普通标注者，有替代或辅助人工评分的潜力。 主要局限是样本量极小（训练269项，测试40项），导致统计效力不足，尤其是融合效果的显著性难以保证；辣味轴缺乏类似甜/苦那样的跨模态对应实证；跨文化泛化未验证。 🔗 开源详情 代码：https://github.com/CSCPadova/wav2taste 模型权重：训练好的 taste 预测头（task-specific heads）随代码仓库提供（位于 https://github.com/CSCPadova/wav2taste）；使用的预训练音频编码器权重来自各开源项目（见下文“论文中引用的开源项目”）。 数据集：https://huggingface.co/datasets/csc-unipd/sonic-seasoning （sonic-seasoning 统一音乐‑味觉语料库） Demo：论文中未提及 复现材料：代码仓库提供训练与评估脚本；论文中给出训练超参数（AdamW，lr \(=10^{-3}\)，weight decay \(=10^{-4}\)，batch size \(=32\)，max \(50\) epochs，patience \(10\) on validation macro \(r\)，multi-task MLP head hidden \(256\)，dropout \(0.2\)，sigmoid output，\(5\) seeds \(\{11,22,33,44,55\}\)），冻结编码器缓存策略，分析探针配置（ridge \(\alpha=1.0\)，\(5\)-fold CV）等。 论文中引用的开源项目： HEAR benchmark：https://hearbenchmark.com VGGish：https://github.com/tensorflow/models/tree/master/research/audioset/vggish PANNs：https://github.com/qiuqiangkong/audioset_tagging_cnn AST (Audio Spectrogram Transformer)：https://github.com/YuanGongND/ast HuBERT：https://github.com/pytorch/fairseq MERT：https://huggingface.co/m-a-p/MERT-v1-330M CLAP：https://github.com/LAION-AI/CLAP EnCodec：https://github.com/facebookresearch/encodec MULE：https://github.com/mule-project/mule （推测地址，论文引用[22]） librosa：https://github.com/librosa/librosa MusicGen (Audiocraft)：https://github.com/facebookresearch/audiocraft FMA (Free Music Archive)：https://github.com/mdeff/fma Omar-RQ：结合论文上下文应为基于 EnCodec 的离散自监督模型，常与 EnCodec 关联，未找到独立官方仓库（可能指 Omar 等人提出的残差量化变体，与 EnCodec 同源） 🏗️ 方法概述和架构 本文构建了一个“从音频嵌入预测味觉”的冻结编码器‑多任务回归框架，并在此基础上附加门控晚期融合、可解释性探测和检索评估。 ...

📄 Efficient, Property-Aligned Fan-Out Retrieval via RL-Compiled Diffusion #音乐检索 #音乐推荐 #知识蒸馏 4.7/10 | 创新 1.1/2 | 严谨 0.7/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 0.7/1.5 📝 4.7/10 | 后50% | #音乐检索 | #强化学习 | #音乐推荐 #知识蒸馏 | arxiv 👥 作者与机构 第一作者：Pengcheng Jiang（Google Research，伊利诺伊大学厄巴纳-香槟分校） 通讯作者：未说明 作者列表：Pengcheng Jiang（Google Research、伊利诺伊大学厄巴纳-香槟分校）、Judith Yue Li（Google Research）、Moonkyung Ryu（Google Research）、R. Lily Hu（Google Research）、Kun Su（Google Research）、Zhong Yi Wan（Google Research）、Liam Hebert（Google Research）、Hao Peng（Google Research）、Jiawei Han（伊利诺伊大学厄巴纳-香槟分校）、Dima Kuzmin（Google Research）、Craig Boutilier（Google Research） 💡 毒舌点评 这篇论文将一个朴素的工程思路——“用RL生成一次数据，然后蒸馏到小模型”——包装成了一个看似精巧的框架，用于解决集合级检索中非分解属性优化的难题。这个“编译”概念确实有启发性，但论文的全部说服力都建立在Google内部的专有数据和闭源代码之上，对于社区而言，这更像一份Google的内部技术报告。音乐检索实验只在一个无法获取的工业数据集上完成，加上LLM-as-a-Judge评估的潜在偏差和全流程对昂贵基础设施的依赖，使其宣称的通用性和影响力大打折扣，外人看来不过是一座空中楼阁。 ...

📄 Controllable Embedding Transformation for Mood-Guided Music Retrieval #音乐检索 #音乐理解 #对比学习 #嵌入变换 ✅ 7.5/10 | 前25% | #音乐检索 | #对比学习 | #音乐理解 #嵌入变换 学术质量 6.5/7 | 选题价值 1.0/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Julia Wilkins（SiriusXM-Pandora, USA；New York University, New York, USA） 通讯作者：未说明（论文中未明确标注通讯作者） 作者列表： Julia Wilkins（SiriusXM-Pandora, USA；New York University, New York, USA） Jaehun Kim（SiriusXM-Pandora, USA） Matthew E. P. Davies（SiriusXM-Pandora, USA） Juan Pablo Bello（New York University, New York, USA） Matthew C. McCallum（SiriusXM-Pandora, USA） 💡 毒舌点评 论文精准地抓住了音乐推荐系统从“千人千面”到“一键微调”的体验升级需求，并设计了一个工程上可行的嵌入变换框架，其“相似但不同情绪”的检索范式非常直观且实用。然而，整个方法高度依赖于高质量的MULE预训练嵌入和标签，在嵌入空间本身质量不高的情况下效果必然大打折扣，且“情绪”这一高度主观的属性用四个离散标签来定义和变换，其颗粒度和泛化能力值得怀疑。 ...

📄 HarmoNet: Music Grounding by Short Video via Harmonic Resample and Dynamic Sparse Alignment #音乐检索 #跨模态 #注意力机制 #对比学习 ✅ 7.0/10 | 前25% | #音乐检索 | #注意力机制 | #跨模态 #对比学习 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：Yaomin Shen（浙江大学南昌研究院XR系统应用研究中心） 通讯作者：未明确说明，但第一作者Y. Shen提供了邮箱 coolshennf@gmail.com。 作者列表： Yaomin Shen（浙江大学南昌研究院XR系统应用研究中心） Wei Fan（独立研究员） Haichuan Hu（阿里云） Xinqi Liu（香港大学工程学院） Min Yang（浙江大学南昌研究院XR系统应用研究中心） Rui Jia（华东师范大学上海人工智能教育研究院） Junbiao Cai（独立研究员） 💡 毒舌点评 亮点：论文针对“短视频配乐”这一具体场景的痛点分析透彻，HRM的多尺度音乐重采样与DSA的动态稀疏注意力机制设计巧妙，且实验消融做得非常扎实，充分验证了每个组件的贡献。 短板：任务定义非常垂直，研究成果的普适性有待观察；更关键的是，作为一篇方法论论文，完全没有提供代码或模型开源计划，这在2026年的顶会上显得有些“古典”，严重制约了工作的影响力和可复现性。 🔗 开源详情 代码：论文中未提及代码仓库链接。 模型权重：未提及。 数据集：使用了公开的MGSV-EC基准，但未提及是否对数据进行了额外处理或提供处理后的数据。 Demo：未提供在线演示。 复现材料：论文给出了优化器、学习率、batch size、训练轮数、硬件配置等训练细节，以及关键超参数（如HRM尺度、DSA稀疏比例）。但缺少配置文件、训练脚本和模型定义代码。 论文中引用的开源项目：引用了CLIP（ViT-B/32）、AST作为特征提取器，以及MaDe作为基线。未说明这些项目是否为复现提供了代码支持。 总结：论文中未提及开源计划，可复现性信息不完整。 📌 核心摘要 问题：本文致力于解决“短视频音乐定位”（MGSV）任务，即给定一个短视频，自动从候选音乐库中不仅匹配最合适的音乐曲目，还要定位出该曲目中最适合做背景音乐的时间片段。现有方法忽略了音乐旋律的多尺度特性和节奏变化导致的序列重要性动态变化。 方法：提出了HarmoNet框架，包含两个核心模块：谐波重采样模块和动态稀疏对齐策略。 创新点：HRM将音乐信号在多个时间尺度上重采样为不同层级的表征，以捕捉全局旋律、片段结构和细粒度节奏，并与视频特征进行层级匹配。DSA策略结合可学习的高斯偏置和TopK稀疏选择，动态地强调重要的跨模态对应关系，抑制噪声，提升定位精度。 实验结果：在MGSV-EC基准上，HarmoNet在所有指标上超越了先前的SOTA方法MaDe。具体提升如下表所示： 模型 mIoU↑ R1↑ R5↑ R10↑ MoR1↑ MoR10↑ MoR100↑ MaDe (基线) 0.725 8.9 16.7 18.9 8.3 17.5 30.9 HarmoNet (Ours) 0.735 10.7 19.5 22.8 9.6 19.7 32.8 表：HarmoNet与基线方法MaDe在MGSV-EC基准上的关键结果对比。 消融实验（如表2所示）证明了HRM对音乐检索（MoR指标）至关重要，而DSA对片段定位（mIoU）有显著提升。 实际意义：该方法有望提升短视频创作平台的自动化配乐效率，增强内容表达力和观众参与度。 主要局限性：任务场景相对特定，对更广泛的音视频理解任务的迁移性未验证；未开源代码和模型，限制了其实际应用和学术复现。 🏗️ 模型架构 HarmoNet整体架构可分为三个阶段（参考图2）： ...

📄 Hierarchical Tokenization of Multimodal Music Data for Generative Music Retrieval #音乐检索 #大语言模型 #多模态模型 #工业应用 #生成模型 ✅ 7.0/10 | 前25% | #音乐检索 | #大语言模型 | #多模态模型 #工业应用 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Wo Jae Lee（Amazon Music, San Francisco, USA） 通讯作者：未说明 作者列表：Wo Jae Lee（Amazon Music）、Rifat Joyee（Amazon Music）、Zhonghao Luo（Amazon Music）、Sudev Mukherjee（Amazon Music）、Emanuele Coviello（Amazon Music） 💡 毒舌点评 亮点： 论文提出的多模态分层tokenization框架思路清晰，将复杂的音乐元数据系统地转化为LLM可处理的离散序列，并在工业规模的数据集上验证了其有效性，为构建统一的多模态音乐推荐系统提供了一个不错的工程范例。 短板： 核心的RQ-VAE应用和LLM微调部分创新有限，更偏向于系统集成；而实验完全建立在无法公开的私有数据之上，如同“自说自话”，极大削弱了其学术价值和可复现性，使得其性能提升难以被外部独立验证。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及公开权重。 数据集：实验使用的Dc（160万歌曲元数据）、Dqt和Dr均为专有数据集，未公开。 Demo：未提及在线演示。 复现材料：给出了部分模型架构细节（如RQ-VAE编码器/解码器为4层FFN）、训练超参数（学习率、batch size、epoch数、GPU数量），但未提供完整的训练脚本、配置文件或检查点。对于关键组件（如九种模态的具体编码器网络结构、每个模态RQ-VAE的码本大小K_mod,l的精确值）描述不够详细。 论文中引用的开源项目：引用了Qwen2.5-1.5B-Instruct [23]作为基座LLM，Sentence-BERT [29]用于模态预测模型，CLAP [25]用于音频编码。但未说明是否基于这些项目的官方实现进行修改。 总结：论文中未提及开源计划。 📌 核心摘要 本文针对生成式音乐检索任务中如何让大语言模型（LLM）有效表示和理解多模态音乐数据的问题，提出了一种名为3MToken的多模态音乐分层离散化方法。该方法将音频、语义标签、艺术家传记等九种模态的音乐数据，通过模态特定的残差量化变分自编码器（RQ-VAE）转化为层次化的离散token序列。基于此，进一步提出了3MTokenRec，一个经过指令微调的LLM，它能够根据查询意图自适应地加权不同模态，并生成对应的3MToken序列来检索音乐。实验表明，3MToken在内容检索（CBR）任务上，Hit@5分别比最强多模态基线（K-means）高27%（CP数据集）和32%（CO数据集）；在文本到音乐检索（T2MR）任务上，3MTokenRec（带模态选择）的平均Precision@K比不带模态选择的版本高10.8%。该研究为工业级音乐推荐系统提供了新的技术路径，但其主要局限在于所有实验均在未公开的专有数据集上进行，且未开源代码与模型，可复现性差。 ...

ICASSP 2026 - 音乐检索 共 3 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 Controllable Embedding Transformation for Mood-Guided Music 7.5分 前25% 🥈 HarmoNet: Music Grounding by Short Video via Harmonic Resamp 7.0分 前25% 🥉 Hierarchical Tokenization of Multimodal Music Data for Gener 7.0分 前25% 📋 论文详情 🥇 Controllable Embedding Transformation for Mood-Guided Music Retrieval ✅ 7.5/10 | 前25% | #音乐检索 | #对比学习 | #音乐理解 #嵌入变换 👥 作者与机构 ...

📄 Towards Effective Negation Modeling in Joint Audio-Text Models for Music #多模态模型 #对比学习 #音乐理解 #音乐检索 #数据增强 ✅ 7.5/10 | 前25% | #音乐理解 | #对比学习 | #多模态模型 #音乐检索 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Yannis Vasilakis（Queen Mary University of London） 通讯作者：未说明 作者列表：Yannis Vasilakis（Queen Mary University of London, UKRI Centre for Doctoral Training in AI and Music）、Rachel Bittner（Spotify）、Johan Pauwels（Queen Mary University of London） 💡 毒舌点评 亮点：论文没有停留在指出“模型不懂否定”的现象上，而是设计了一套从训练方法到评估协议的系统性解决方案，尤其是提出将否定建模拆解为检索和二分类任务进行量化评估，这为社区未来研究类似问题提供了可借鉴的范式。 短板：所提方法（文本增强与对比损失项）本质上是启发式的，未能深入探索语言模型中更复杂的否定语义结构；且所有实验基于合成增强的标签数据，其能否迁移到真实世界复杂多变的自然语言查询，文中未予验证，结论的普适性存疑。 ...