Decoding Musical Origins: Distinguishing Human and AI Composers

📄 arXiv: 2509.11369v1 📥 PDF

作者: Cheng-Yang Tsai, Tzu-Wei Huang, Shao-Yu Wei, Guan-Wei Chen, Hung-Ying Chu, Yu-Cheng Lin

分类: cs.LG

发布日期: 2025-09-14

💡 一句话要点

提出YNote音乐表示法，并构建分类模型以区分人类和AI作曲

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 音乐生成 AI作曲 音乐分类 YNote TF-IDF SMOTE 溯源分析

📋 核心要点

  1. 现有音乐数据表示方法难以有效支持AI音乐生成模型的训练和分析，阻碍了AI作曲溯源。
  2. 提出一种新的音乐表示方法YNote，旨在保留音乐风格信息，并易于机器学习模型处理。
  3. 实验表明，基于YNote训练的分类模型能以98.25%的准确率区分人类和不同AI生成的音乐。

📝 摘要（中文）

随着大型语言模型（LLMs）的快速发展，AI驱动的音乐生成已成为一个充满活力的研究领域。然而，音乐数据的表示仍然是一个重大挑战。为了解决这个问题，本文开发了一种新颖的、对机器学习友好的音乐符号系统YNote。本研究利用YNote训练了一个有效的分类模型，该模型能够区分一段音乐是由人类（原生）、基于规则的算法（算法生成）还是LLM（LLM生成）创作的。我们将此问题转化为文本分类问题，应用词频-逆文档频率（TF-IDF）算法从YNote序列中提取结构特征，并使用合成少数类过采样技术（SMOTE）来解决数据不平衡问题。最终模型达到了98.25%的准确率，成功证明YNote保留了足够的风格信息用于分析。更重要的是，该模型可以识别不同AI生成技术留下的独特“技术指纹”，为追踪AI生成内容的来源提供了一个强大的工具。

🔬 方法详解

问题定义：论文旨在解决如何区分音乐作品是由人类创作、基于规则的算法生成，还是由大型语言模型（LLM）生成的问题。现有方法在音乐数据表示上存在不足，难以有效提取音乐的风格特征，从而限制了对AI生成音乐的溯源能力。

核心思路：论文的核心思路是设计一种新的音乐表示方法YNote，该方法能够保留音乐的风格信息，并且易于机器学习模型处理。通过将音乐作品转换为YNote序列，并将其视为文本数据进行分析，从而实现对音乐作品来源的分类。

技术框架：整体框架包括以下几个主要阶段：1) 使用YNote表示音乐作品，将其转换为文本序列；2) 使用TF-IDF算法从YNote序列中提取结构特征；3) 使用SMOTE技术处理数据不平衡问题；4) 训练分类模型，区分人类、算法和LLM生成的音乐。

关键创新：最重要的技术创新点在于YNote音乐表示方法的设计。YNote能够有效地捕捉音乐的风格特征，并且易于机器学习模型处理。此外，论文还将音乐溯源问题转化为文本分类问题，并成功应用TF-IDF和SMOTE等技术，为解决该问题提供了一种新的思路。

关键设计：YNote的具体设计细节未知，摘要中没有详细描述。TF-IDF算法用于提取YNote序列的特征，SMOTE用于解决数据不平衡问题，具体的分类模型类型和参数设置也未知。

📊 实验亮点

实验结果表明，基于YNote和TF-IDF算法训练的分类模型能够以98.25%的准确率区分人类、基于规则的算法和LLM生成的音乐。这一结果表明YNote能够有效地保留音乐的风格信息，并且该方法能够有效地识别不同AI生成技术留下的独特“技术指纹”。

🎯 应用场景

该研究成果可应用于音乐版权保护、AI生成内容溯源、音乐风格分析等领域。通过识别AI生成音乐的“技术指纹”，可以有效防止侵权行为，并促进AI音乐创作的健康发展。此外，该方法还可以用于分析不同AI模型的音乐生成风格，为音乐创作提供新的灵感。

📄 摘要（原文）

With the rapid advancement of Large Language Models (LLMs), AI-driven music generation has become a vibrant and fruitful area of research. However, the representation of musical data remains a significant challenge. To address this, a novel, machine-learning-friendly music notation system, YNote, was developed. This study leverages YNote to train an effective classification model capable of distinguishing whether a piece of music was composed by a human (Native), a rule-based algorithm (Algorithm Generated), or an LLM (LLM Generated). We frame this as a text classification problem, applying the Term Frequency-Inverse Document Frequency (TF-IDF) algorithm to extract structural features from YNote sequences and using the Synthetic Minority Over-sampling Technique (SMOTE) to address data imbalance. The resulting model achieves an accuracy of 98.25%, successfully demonstrating that YNote retains sufficient stylistic information for analysis. More importantly, the model can identify the unique " technological fingerprints " left by different AI generation techniques, providing a powerful tool for tracing the origins of AI-generated content.