PDMX: Большой общедоступный набор данных MusicXML для символьной обработки музыки

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

September 17, 2024

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

cs.AI

Аннотация

Недавний взрыв систем искусственного интеллекта для генерации музыки вызвал множество обеспокоенностей относительно авторских прав на данные, лицензирования музыки у музыкантов и конфликта между открытым исходным кодом и крупными престижными компаниями. Такие проблемы подчеркивают необходимость общедоступных данных о музыке без авторских прав, которых, в частности, не хватает для символьных данных о музыке. Для решения этой проблемы мы представляем PDMX: крупномасштабный набор данных с открытым исходным кодом из более чем 250 тыс. нотных записей в формате MusicXML из собрания нотного форума MuseScore, что делает его, насколько нам известно, крупнейшим доступным набором данных о символьной музыке без авторских прав. PDMX также включает обширное количество тегов и метаданных взаимодействия с пользователями, что позволяет нам эффективно анализировать набор данных и фильтровать высококачественные нотные записи, созданные пользователями. Учитывая дополнительные метаданные, предоставленные нашим процессом сбора данных, мы проводим эксперименты по генерации музыки с несколькими дорожками, оценивая, как различные представительные подмножества PDMX влияют на поведение последующих моделей, и как статистика оценок пользователей может быть использована в качестве эффективной меры качества данных. Примеры можно найти по ссылке 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/.