预先训练的深度学习模型可以预测凹槽评级吗？

这项研究探讨了深度学习模型可以在多大程度上直接从音频信号预测凹槽及其相关的感知维度。我们批判性地研究了七种最先进的深度学习模型在通过提取音频嵌入来预测groove评级和对groove相关查询的响应方面的有效性。此外，我们将这些预测与传统手工制作的音频特征进行比较。为了更好地理解底层机制，我们扩展了这种方法来分析基于源分离乐器的预测，从而隔离各个音乐元素的贡献。我们的分析揭示了由曲目的基本音乐风格（放克、流行和摇滚）驱动的凹槽特征的明显分离。这些发现表明，深度音频表示可以成功地编码复杂的、与风格相关的凹槽组件，而传统功能经常会忽略这些组件。最终，这项工作凸显了先进的深度学习模型捕获多方面凹槽概念的能力，展示了表征学习在推进预测音乐信息检索方法方面的强大潜力。