MelodyT5: A Unified Score-to-Score Transformer for Symbolic Music Processing

在符号音乐研究领域，开发可扩展系统的进展受到可用训练数据的稀缺和需要针对特定任务定制模型的影响。为了解决这些问题，我们提出了MelodyT5，这是一个新颖的统一框架，利用了针对ABC符号音乐处理的编码器-解码器架构。该框架挑战了传统的任务特定方法，将各种符号音乐任务视为分数到分数的转换。因此，它将七个以旋律为中心的任务，从生成到和声和分割，集成在一个单一的模型中。在MelodyHub上预训练，MelodyHub是一个新的精选集合，包含超过261K个唯一的ABC符号编码的旋律，并涵盖了一百万个以上的任务实例，MelodyT5通过多任务迁移学习展示了在符号音乐处理中卓越的性能。我们的研究结果突出了多任务迁移学习在符号音乐处理中的功效，特别是对于数据稀缺的任务，挑战了传统的任务特定范式，并为未来在该领域的探索提供了综合数据集和框架。

MelodyT5试图解决符号音乐研究中的数据稀缺和任务特定模型的问题，提出了一个针对ABC符号音乐处理的编码器-解码器架构，将多个任务整合到一个模型中。

MelodyT5挑战传统的任务特定方法，将符号音乐任务视为分数到分数的转换，并通过多任务迁移学习来提高符号音乐处理的性能。

MelodyT5在一个新的数据集MelodyHub上进行了预训练，该数据集包含超过261K个用ABC符号表示的独特旋律和超过一百万个任务实例。实验结果表明，MelodyT5在符号音乐处理方面表现出优异的性能，特别是对于数据稀缺的任务。该论文提供了一个全面的数据集和框架，为未来在这个领域的探索提供了可能。

最近的相关研究包括：'Music Transformer: Generating Music with Long-Term Structure'、'BachProp: Automatic Composition in the Style of Bach'、'DeepBach: a Steerable Model for Bach chorales generation'等。