PDMX: Een grootschalige openbare MusicXML-dataset voor symbolische muziekverwerking

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

September 17, 2024

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

cs.AI

Samenvatting

De recente explosie van generatieve AI-Muzieksystemen heeft tal van zorgen opgeworpen over auteursrechten op gegevens, het licenseren van muziek van muzikanten, en het conflict tussen open-source AI en grote prestigieuze bedrijven. Dergelijke kwesties benadrukken de behoefte aan publiekelijk beschikbare, rechtenvrije muzikale gegevens, waarvan er een groot tekort is, met name voor symbolische muziekgegevens. Om dit probleem te verlichten, presenteren we PDMX: een grootschalige open-source dataset van meer dan 250K MusicXML-partituren uit het publieke domein, verzameld van het partituur-deelplatform MuseScore, waardoor het naar ons weten de grootste beschikbare rechtenvrije symbolische muziekdataset is. PDMX bevat tevens een schat aan zowel tag- als gebruikersinteractiemetadata, waardoor we efficiënt de dataset kunnen analyseren en filteren op hoogwaardige door gebruikers gegenereerde partituren. Gezien de aanvullende metadata die ons dataverzamelingsproces biedt, voeren we multitrack muziekgeneratie-experimenten uit waarbij we evalueren hoe verschillende representatieve subsets van PDMX leiden tot verschillende gedragingen in downstream modellen, en hoe gebruikersbeoordelingsstatistieken kunnen worden gebruikt als een effectieve maatstaf voor gegevenskwaliteit. Voorbeelden zijn te vinden op 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/.