PDMX: Ein umfangreiches öffentliches MusikXML-Datenset im Bereich der symbolischen Musikverarbeitung

PDMX: A Large-Scale Public Domain MusicXML Dataset for Symbolic Music Processing

September 17, 2024

Autoren: Phillip Long, Zachary Novack, Taylor Berg-Kirkpatrick, Julian McAuley

cs.AI

Zusammenfassung

Die kürzliche Explosion generativer KI-Musiksysteme hat zahlreiche Bedenken hinsichtlich des Urheberrechts von Daten, der Lizenzierung von Musik von Musikern und des Konflikts zwischen Open-Source-KI und großen Prestigeunternehmen aufgeworfen. Solche Probleme unterstreichen die Notwendigkeit von öffentlich verfügbaren, urheberrechtsfreien musikalischen Daten, von denen es insbesondere für symbolische Musikdaten einen großen Mangel gibt. Um dieses Problem zu lindern, präsentieren wir PDMX: einen umfangreichen Open-Source-Datensatz von über 250.000 MusicXML-Partituren aus dem Partitur-Sharing-Forum MuseScore, was ihn nach unserem Kenntnisstand zum größten verfügbaren urheberrechtsfreien symbolischen Musikdatensatz macht. PDMX enthält zusätzlich eine Fülle von Tag- und Benutzerinteraktionsmetadaten, die es uns ermöglichen, den Datensatz effizient zu analysieren und nach qualitativ hochwertigen nutzergenerierten Partituren zu filtern. Aufgrund der zusätzlichen Metadaten, die unser Datensammlungsprozess bietet, führen wir Experimente zur Mehrspur-Musikerzeugung durch, um zu bewerten, wie verschiedene repräsentative Teilmengen von PDMX zu unterschiedlichem Verhalten in nachgelagerten Modellen führen und wie Benutzerbewertungsstatistiken als wirksames Maß für Datenqualität verwendet werden können. Beispiele finden Sie unter https://pnlong.github.io/PDMX.demo/.

English

The recent explosion of generative AI-Music systems has raised numerous concerns over data copyright, licensing music from musicians, and the conflict between open-source AI and large prestige companies. Such issues highlight the need for publicly available, copyright-free musical data, in which there is a large shortage, particularly for symbolic music data. To alleviate this issue, we present PDMX: a large-scale open-source dataset of over 250K public domain MusicXML scores collected from the score-sharing forum MuseScore, making it the largest available copyright-free symbolic music dataset to our knowledge. PDMX additionally includes a wealth of both tag and user interaction metadata, allowing us to efficiently analyze the dataset and filter for high quality user-generated scores. Given the additional metadata afforded by our data collection process, we conduct multitrack music generation experiments evaluating how different representative subsets of PDMX lead to different behaviors in downstream models, and how user-rating statistics can be used as an effective measure of data quality. Examples can be found at https://pnlong.github.io/PDMX.demo/.