将AI生成音乐的抄袭检测转为版本识别问题

文本到音乐生成模型的快速扩展挑战了音乐创作和知识产权的传统范式。在这种情况下，抄袭很少是绝对的数学二元，而是在和声结构、旋律轮廓或整体感知风格特征上协商的模糊阈值。在这项工作中，我们测试了最先进的音乐版本识别架构从人对人覆盖域到人对 AI 抄袭设置的可迁移性。为了评估这项任务，我们引入了 COPYCAT，这是一个源自现实世界抄袭案例的基准，并通过生成式重新合成和数字信号处理混淆进行扩展，产生 350,654 个评估对。我们表明，标量距离阈值在生成重新合成下崩溃，而利用坐标嵌入移位的监督框架恢复了分散的抄袭信号，将总体 $F_{0.5}$ 从 0.612$ 提高到 0.803$。