arXiv cs.CL· Chi-En Dai, Chih-Pin Tan, Yi-Hsuan Yang·· 12 小时前AI 评分21
大语言模型通过文本与多模态上下文学习预测音乐效价与唤醒度
Predicting Music Valence and Arousal via Textual and Multimodal In-Context Learning in Large Language Models
AI 导读
研究用大语言模型的上下文学习（ICL）改进连续音乐情绪预测，不直接输出分数，而是以辅助数据集的示例修正小型任务专用基础模型的初始预测。基于歌词与生成音频描述的文本 ICL 在 80 shots 下将效价 R² 从 0.110 提升至 0.427，融合原始音频的多模态版本仅用 10 shots 即达 0.346。MER60 数据集全程作为留出测试集，表明免训练 ICL 可作为推理阶段策略。
正文 · AI 翻译
摘要：虽然唤醒度可以可靠地从音乐音频中预测，但情感效价因其主观性和依赖上下文的特点而难以建模。在本工作中，我们研究了利用大语言模型的上下文学习（ICL）来推进连续效价和唤醒度预测的潜力。我们的框架不直接预测情感分数，而是利用来自辅助数据集的上下文示例来改进由一个小型任务特定基础模型产生的初始预测。我们系统地评估了一种基于文本的 ICL 变体，使用歌词和生成的音频描述，以及一种融合原始音频信号的多模态变体。将整个 MER60 数据集严格用作留出测试集，我们的实验展示了显著的性能提升，尤其是在效价方面。基于文本的 ICL 在 80 个示例样本下将效价 $R^2$ 从 0.110 提升至 0.427，而多模态变体仅用 10 个样本就达到了 0.346。这些发现表明，免训练的 ICL 为当前语言模型预测连续音乐情感提供了一种有效的推理时策略。
| 评论： | 提交至 ICASSP 2027 |
| 主题： | 声音（cs.SD）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.31202 [cs.SD] |
| （或 arXiv:2610.31202v1 [cs.SD] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.31202 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chi-En Dai [查看邮箱]
[v1]
2026年10月22日星期四 12:49:14 UTC（468 KB）
来源：arXiv cs.CL · arxiv.org