Music Plagiarism Detection: Problem Formulation and a Segment-Based Solution

Authors: Seonghyeon Go, Yumin Kim
Institution: MIPPIA Inc.
arXiv: 2601.21260v2
https://arxiv.org/abs/2601.21260

1. 研究背景与问题动机

音乐抄袭近年来成为高频法律与社会争议问题。现有 MIR 研究虽然涉及“相似性检测”，但缺乏对“音乐抄袭检测任务”本身的清晰定义，导致：

• 数据集构造不一致
• 评估标准混乱
• 与真实抄袭案例脱节

作者指出，当前许多工作使用人工构造数据进行训练（如 [3][4][5][6]），模型可能过拟合于“可计算相似性”，难以泛化到真实抄袭场景。

因此，本文的核心贡献是：

重新定义音乐抄袭检测任务，并提出一个基于片段转录（segment transcription）的系统框架。

2. 任务定义

作者明确区分了音乐抄袭检测与两个相近任务：

2.1 Cover Song Identification (CSI)

目标：判断整首歌是否为翻唱版本

典型方法：

• 旋律 MIDI 表示 [8]

• 序列匹配 [9]

• CNN 模型（Bytecover3）[10]

• Conformer 结构（CoverHunter）[11]

2.2 Audio Fingerprinting

• 用于短音频片段识别整首歌

• 常用于流媒体识别 [12]

2.3 抄袭检测的特殊性

作者指出音乐抄袭检测具有两个核心特征：

① 局部相似性（Partial Similarity）

抄袭往往发生在某一小段，而不是整首歌。

② 选择性音乐元素（Selective Element Similarity）

例如： 旋律相同，但编曲、混音、音色完全不同，因此不能只依赖声学特征。

2.4 正式任务定义

给定一首完整歌曲 A：

Task 1：从大规模数据库中找出可能抄袭 A 的歌曲 A′

Task 2：指出 A 与 A′ 哪些片段相似

Task 3：解释相似原因（旋律、和声、节奏等）

3. 方法

整体系统如图所示

流程包括：

Raw Audio
↓
Segment Transcription
↓
Segment-level Similarity
↓
Song-level Filtering

3.1 Music Segment Transcription

将音频转为结构化片段表示。

使用模型包括：

• Demucs：源分离 [14]

• All-in-one model：结构分析 [15]

• AST：人声转录 [16]

• SheetSage：旋律转录 [17]

• Harmony Transformer：和声转录 [18]

每个片段包含：

• Multi-instrument MIDI

• Segment embedding

• Metadata（调性、和弦、歌词、结构）

片段长度：4 小节

3.2 片段相似度计算方法
方法一：基于音乐知识的算法（Music-domain similarity）

计算：

• Pianoroll 相似度

• Onset 节奏相似度

• Chord 相似度

加权组合得到最终分数。

优点： 可解释（支持 Task 3）

缺点：算法方法较传统；难以理论证明有效性

方法二：深度学习方法

• MERT（大规模自监督声学模型）[19]

• Pianoroll CNN + Siamese [3]

• Multimodal 双编码器 + cross-attention

作者指出：
MERT 可能受“选择性元素问题”影响，而基于转录的 CNN 方法更鲁棒。

4. 数据集

4.1 SMP Dataset（Similar Music Pair）

论文新构建数据集 ：

• 72 对原曲与对比曲

• 包含真实抄袭与翻唱案例

• 每对包含时间戳标注

• 每个相似段落用 acoustic index 标记

• 覆盖多种音乐类型

示例见论文 Table 1

4.2 Covers80 Dataset （80 个翻唱组）

来源：Ellis 2007 [20]

用于：

• 建立未见片段数据库

• 与 CSI 方法对比

5. 实验设计

5.1 实验设置

GPU：NVIDIA RTX 5090

学习率：1e-4

Batch size：32

训练轮数：100

优化器：Adam

5-fold 训练

片段长度：4 bars

5.2 评估指标
片段级（Task 2）

指标：Rec.1s@k

定义：若检索到的片段时间戳与 GT 时间误差 ≤1 秒，视为命中。

实验设置三种规模：

• SMP Timestamps

• SMP 全片段

• Full Indices（包含 Covers80）

歌曲级（Task 1）

通过 top-20 片段加权投票。

评估指标：

• mAP

• MR1（第一个正确结果的平均排名）

6. 实验结果

6.1 片段级结果（Table 2 2601.21260v2）

趋势：

• MERT 表现最好

• 多模态方法表现未达预期（可能数据不足）

• 音乐规则方法较稳定

问题：

随着数据库规模扩大，性能显著下降。

说明：

大规模 segment retrieval 可扩展性存在挑战

6.2 歌曲级结果（Table 3 2601.21260v2）

与 CSI 方法对比：

解释：

CSI 优化的是整首相似性，
而抄袭检测强调精确片段定位。

作者强调：

其系统在“可解释性”与“时间定位精度”上具有优势。

7. 结论

本文贡献：

1. 明确界定音乐抄袭检测任务（三个子任务）

2. 提出基于 segment transcription 的完整 pipeline

3. 构建真实案例 SMP 数据集

4. 验证 segment-based 框架可行

作者指出该方向仍处于早期阶段。

未来方向：

• 更强相似度度量

• 专用过滤算法

• 规模扩展能力优化

• 更先进 MIR 模型迁移

8. 关键引用文献整理

主题 文献
Siamese CNN 抄袭检测 Park et al., 2022 [3]
MelodySim Lu et al., 2025 [4]
NLP-based 抄袭检测 Malandrino et al., 2022 [5]
Audio Fingerprinting Chang et al., 2021 [12]
Bytecover3 Du et al., 2023 [10]
CoverHunter Liu et al., 2023 [11]
MERT Li et al., 2023 [19]
SheetSage Donahue et al., 2022 [17]
Harmony Transformer Chen et al., 2019 [18]
Covers80 Ellis, 2007 [20]

总体评价

这篇论文的真正创新点在于：

将“音乐抄袭检测”正式从“音乐相似性任务”中剥离出来，给出清晰任务结构。

方法层面不是 SOTA，但：

• 任务定义清晰
• 数据真实

• 强调可解释性

• 强调 segment-level 结构建模

对于 MIR 社区，这是一个问题建模层面的贡献。