SLEEPING-DISCO 9M: A large-scale pre-training dataset for generative music modeling
本文介绍了 Sleeping-DISCO 9M，这是一个由真实的流行音乐和世界知名艺术家组成的新型大规模开源数据集，旨在克服现有合成或非代表性数据集在生成式音乐建模方面的局限性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你想教一个机器人像人类一样唱歌。为此，你需要给它喂入海量的歌曲、歌词和关于音乐的故事。长期以来，“大厂”公司（比如开发了 Jukebox 的那些公司）一直将他们的秘密库锁在保险库里，而规模较小的研究人员只能依靠微小的、自制的收藏或虚假的音乐。
Sleeping-DISCO 9M 是一个全新的、规模巨大的图书馆，作者构建了它并向所有人开放使用。以下是他们所做的事情以及为什么这很重要，我使用了日常生活的类比来进行简单拆解：
1. 问题所在：“空空的储藏室” vs. “秘密保险库”
把 AI 音乐研究的世界想象成一群试图发明新食谱的厨师。
- 大厨们（大厂）： 他们拥有装满世界上最著名食材（知名艺术家的流行歌曲）的秘密储藏室，但他们不让别人看到。
- 小厨们（研究人员）： 他们一直在尝试用微小的、人工合成的食材（合成音乐）或者非常小且特定的收藏（比如仅限中国流行歌曲）来烹饪。
- “随机”图书馆： 以前也有其他大型图书馆可用（如 DISCO-10M），但它们就像是一个装满了未贴标签纸箱的仓库。你知道里面有音乐，但你不知道是谁唱的，或者这首歌是关于什么的，甚至不知道这音乐是真的还是仅仅一段随机的片段。它们太乱了，无法用于严肃的烹饪。
2. 解决方案：一本“超级有序”的音乐百科全书
作者创建了 Sleeping-DISCO 9M。请不要仅仅把它看作是一堆 MP3 文件，而要把它看作一本庞大且完美组织的音乐百科全书。
- 规模： 它包含了来自超过 64.8 万名不同艺术家的近 900 万首歌曲。这就像拥有一个几乎收藏了过去十年中几乎所有热门歌曲的图书馆。
- 质量： 与上述混乱的仓库不同，这个图书馆是有序的。每首歌都附带一张详细的“身份证”（元数据）。你可以通过艺术家、专辑、发行年份甚至特定的流派来搜索歌曲。
- 多样性： 这不仅仅是英语流行乐。它是一个全球性的混合体，涵盖了 169 种语言（从英语、日语到斯瓦希里语和豪萨语）。这就像是在一个数据集中进行了一场世界巡演。
3. 他们是如何构建它的：一位“数字图书管理员”
团队并没有只是随机下载文件。他们构建了一个数字机器人图书管理员（一个 Python 爬虫程序），访问了 Genius 网站（一个著名的歌词和音乐事实网站）。
- 这个机器人仔细阅读了数百万个页面，复制了歌名、艺术家姓名、专辑详情和歌词。
- 然后，它前往 YouTube 寻找这些歌曲的实际视频链接，并使用一种“智能匹配”系统，以确保视频标题确实与他们正在寻找的歌曲相匹配。
- 限制条件： 他们无法分享实际的歌词或深层的“注释”（由 Genius 编辑撰写的趣味事实），因为这些受版权保护。然而，他们确实分享了这些歌曲的链接以及歌词的“指纹”（嵌入向量/embeddings），这有助于计算机理解含义，而无需原始文本。
4. 为什么这意义重大
在此之前，如果研究人员想要训练 AI 理解现实世界的音乐，他们必须建立自己的混乱收藏，或者使用微小的、受限的收藏。
- Sleeping-DISCO 是第一次有如此规模和质量（包含 Maroon 5 和 Shakira 等真实知名艺术家）的数据集被开源。
- 它填补了“大厂秘密保险库”与“独立研究人员的小厨房”之间的鸿沟。
5. 图书馆的规则
作者根据特定的规则（CC-BY-NC-ND 4.0）分享这个图书馆。
- 你可以使用它来研究并构建你自己的音乐模型。
- 你不能出售它，或者利用该数据集本身来赚钱。
- 你不能修改该数据集并声称它是你自己的。
- 歌词： 歌曲的实际文本仍然是被锁定的（因为版权问题），但作者会与承诺严格用于科学研究的大学和研究人员分享这些内容。
简而言之： 作者构建了一个巨大、整洁且多样化的音乐库，研究人员终于可以使用它来教 AI 如何理解并生成真实的音乐，从而填补了存在多年的空白。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。