MusGU+：构建以音乐家为中心的生成音乐人工智能评估框架和发现工具

生成音乐系统越来越多地被视为使音乐创作民主化的工具，但它们对音乐家的实际适用性仍未得到充分探索。之前的工作包括以开放性为重点的评估框架，例如 MusGO（音乐生成开放人工智能），以及对音乐家使用生成系统的体验进行定性研究。然而，这些方法不支持系统比较或早期发现用于创造性使用的模型。出于这些限制，我们引入了 MusGU+，一个以音乐家为中心的评估框架，围绕三个维度组织：适应性、可用性和可控性。这些共同捕获了模型是否可以根据个人数据进行可行的训练或微调，集成到现实世界的音乐工作流程中，并以具有音乐意义的方式进行控制。我们评估了 10 个有代表性的生成音乐系统，并提出了一个交互式发现工具，使音乐家能够根据这些标准探索和过滤模型。虽然 MusGO 对于促进负责任的研究实践仍然很有价值，但 MusGU+ 支持音乐家对生成系统的知情选择和实际采用。