청취자가 게임 음악 생성기가 의도한 감정을 맞힌 비율은 우연의 25%에 비해 34%에 그쳤고, 같은 테스트에서 사람이 작곡한 곡도 똑같이 34%였다(Ferreira, Lelis, Whitehead, AIIDE 2020). 이 결과가 이 분야의 틀을 보여준다. 사람의 음악에서조차 목표 달성은 어렵다. Hutchings와 McCormack의 적응형 시스템은 집단 내에서 유의한 몰입감 결과를 얻었지만, 네 가지 집단 간 비교 중 p = 0.05 아래로 내려간 것은 하나도 없었다(IEEE Transactions on Games 2019). Steam에서는 생성형 AI 사용을 공개한 게임의 추천율이 68.4%로, 절차적 콘텐츠 게임의 86.3%보다 낮지만 이 수치는 음악이 아니라 게임 전체를 대상으로 한다(Bazzaz와 Cooper, arXiv 프리프린트 2026). 저희는 IEEE Transactions on Games, AIIDE, ISMIR, IEEE Conference on Games, 그리고 동료 심사를 거친 플레이어 연구에서 데이터를 집계했다. 이 정리는 시스템과 그 평가에 초점을 맞추므로, 게임 음악의 상업적 측면은 저희 게임 사운드트랙 통계와 함께 읽어보기 바란다.
요약
- 정서가와 각성도를 함께 맞힌 정답률은 34%, 우연은 25%이며 사람의 곡도 34%(Ferreira 외, AIIDE 2020, 참가자 116명).
- 몰입감은 Zelda에서 p = 0.121, StarCraft II에서 p = 0.053, 적응형 시스템 대 원곡 스코어(Hutchings와 McCormack, IEEE Transactions on Games 2019, 플레이어 34명).
- 적응형 음악이 VR 양궁에서 현존감과 감정적 영향을 높였다(Wen 외, IEEE TVCG 2026, 참가자 22명).
- 1에서 5 척도의 전반적 품질은 사람 4.11, 최고 생성기 3.94(Ferreira 외, AIIDE 2022, 유효 응답 199건).
- 소리만으로 플레이하는 게임 에이전트의 승률이 적응형 음악으로 0.52에서 0.94로 상승(Khan 외, IEEE CoG 2023, 조건당 90라운드).
- MusicGen이 테스트 기기 한 대에서 8초 분량의 클립을 4초 미만에 생성(Marrinan 외, arXiv 프리프린트 2024).
- NES Music Database에 게임 397개의 5,278곡(Donahue 외, ISMIR 2018).
- 게임 389개에서 음악과 짝지어진 게임플레이 클립 98,940개(Cardoso 외, FDG 2024).
- 인터뷰 코드의 38.87%는 우려, 13.09%는 장점(Worrall과 Collins, IEEE Transactions on Games 2023, 작곡가 11명).
- Steam 추천율은 절차적 콘텐츠 게임 86.3%, 생성형 AI 게임 68.4%(Bazzaz와 Cooper, arXiv 프리프린트 2026).
1. 플레이어 연구: 긴장감은 움직이지만 몰입감은 입증하기 어렵다
Hutchings와 McCormack 연구의 네 가지 집단 간 비교 중 p = 0.05 아래로 내려간 것은 하나도 없었다. 논문의 집단 내 검정은 그랬음에도 말이다. ‘플레이어가 더 몰입했다고 느꼈다’는 표현은 각 사람의 변화에 대해서는 사실이지만, 원곡 사운드트랙에 대한 명확한 승리는 아니다. 이렇게 작은 표본은 큰 효과만 포착할 수 있으므로, p = 0.053이라는 아쉬운 결과는 성공의 증거도 실패의 증거도 아니다.
긴장감 쪽 결과가 더 탄탄하다. Galactic Escape, Simon Fraser University의 테스트 게임에서는 적응형 스코어가 게임의 긴장 곡선에 거꾸로 대응되어 있을 때조차 체감 긴장감을 높였다. 이는 올바르게 반응하는 음악보다 귀에 들리게 반응하는 음악이 더 중요할 수 있음을 시사하며, 매핑 규칙에 몇 주를 쏟는 사람이라면 한 번쯤 생각해 볼 대목이다. Wen 외(2026)는 VR에서 나온 경고를 더한다. 적당한 음악적 긴장은 조준과 조준 시간을 개선했지만 높은 긴장은 둘 다 해쳤고, 이는 역U자형 관계다.
| 지표 | 값 | 출처 |
|---|---|---|
| VR 양궁에서 고정 사운드트랙 대 적응형 생성 사운드트랙, 피험자 내 설계 | 참가자 22명, 긴장 단계 4개; 현존감과 감정적 영향이 상승 | Wen 외, IEEE Transactions on Visualization and Computer Graphics 2026 |
| 몰입감, 적응형 시스템 대 게임 Zelda: MoS의 원곡 스코어 | p = 0.121, η² = 0.042(플레이어 34명, 17명씩 2개 집단, 20분 세션) | Hutchings와 McCormack, IEEE Transactions on Games 2019 |
| 몰입감, 적응형 시스템 대 StarCraft II 원곡 스코어 | p = 0.053, η² = 0.079 | Hutchings와 McCormack, IEEE Transactions on Games 2019 |
| 음악이 몰입감에 미치는 영향의 자기 보고, 각 집단 내, 적응형 시스템 사용 시 | 두 집단 모두 유의한 상승(p<0.05, 윌콕슨 부호순위 검정) | Hutchings와 McCormack, IEEE Transactions on Games 2019 |
| 체감 긴장감, 사운드트랙별 평균: 긴장 매핑 0.62, 역매핑 0.61, 음악 없음 0.55, 중립 0.49 | F(3, 87) = 3.662, p = .015, 부분 η² = .112(모집한 35명 중 30명 유지) | Plut, 박사 학위 논문, Simon Fraser University 2022 |
| 생성형 스코어 대 작곡된 선형 스코어 대 작곡된 적응형 스코어 | 참가자 48명; 선형이 모든 질문에서 최고, 생성형은 감정적 일치, 몰입감, 선호도에서 근소한 차이로 2위 | Plut, 박사 학위 논문, Simon Fraser University 2022 |
| 테트리스 유사 게임에서 생성형 대 선형 사운드트랙 | 학부생 39명; 가설은 지지되지 않았고 플레이어는 둘을 구별하지 못했지만 플로우에는 여전히 영향이 있었다 | Sites와 Potter, Game Studies 2018 |
| 웹 게임 음악 생성기의 분위기 평가 학습 세트, 이후 정적 음악과의 A/B 테스트 | 평가된 곡 80개; 적응성이 작곡된 음악보다 반드시 나아지는 것은 아니었다 | Adam, 석사 학위 논문, Cal Poly 2014 |
가장 오래된 두 행은 뉘앙스를 더한다. Sites와 Potter는 생성형 버전을 먼저 플레이한 사람들에게서 더 높은 플로우(집중되고 보람 있는 몰입 상태)를 확인했고(표본은 Tampere University Playlab 요약에서 가져왔다), AUD.js 논문은 작곡된 스코어에 비해 자동으로 얻는 이득은 없다고 밝혔다.
이 주제에서 이용 가능한 가장 최근 데이터: Wen 외 2026. 이곳의 나머지 연구는 모두 2014년에서 2022년 사이의 것이다.
2. 청취자 평가: 의도된 감정은 살아남는가?
Bardo Composer 테스트에서 사람이 작곡한 곡은 생성기보다 나은 결과를 내지 못했고, 둘 다 34%였다. 이는 모델의 실패라기보다 과제 자체에 대한 현실 점검이다. 정서가(음악이 얼마나 유쾌하거나 불쾌하게 느껴지는지)와 각성도(얼마나 차분하거나 활기차게 느껴지는지)를 동시에 식별하는 일은 원래 어렵고, 감정을 거의 완벽하게 겨냥한다고 주장하는 업체에는 사람 기준선이 얼마였는지를 물어야 한다.
품질 평가는 더 좁혀진 이야기를 들려준다. 2022년 AIIDE 연구는 최고 생성기를 사람의 음악과 0.17점 차이(4.11에서 3.94를 뺀 값)까지 끌어올렸지만, 모집한 1,600명 중 걸러낸 뒤 남은 응답은 199건뿐이었다. 크라우드워커의 청취 데이터는 유익해지기 전에 노이즈가 많다는 점을 일깨워 준다. Yan(arXiv 프리프린트 2023)의 더 작은 테스트도 리듬 게임 피아노 편곡 16곡에서 청취자가 사람이 만든 음악을 선호했다고 밝혔지만, 응답자 수는 제시하지 않았다.
| 지표 | 값 | 출처 |
|---|---|---|
| Bardo Composer(테이블탑 RPG 세션용 생성기): 정서가와 각성도를 함께 맞힌 정답 | 34% 대 우연 25%, p = 0.02(참가자 116명, 58명씩 2개 집단) | Ferreira, Lelis, Whitehead, AIIDE 2020 |
| Bardo Composer: 의도된 각성도 정답, 보고된 최고 구간(에피소드 4, 파트 1) | 참가자의 87% | Ferreira, Lelis, Whitehead, AIIDE 2020 |
| 전반적 품질, 1에서 5 척도, 평균 ± 표준편차 | 사람 4.11 ± 0.73, 트리 탐색 기법(PUCT) 3.94 ± 0.76, CS 3.68 ± 0.96, SBBS 3.62 ± 1.01(모집 1,600명 중 유효 응답 199건, 생성기당 80곡) | Ferreira 외, AIIDE 2022 |
| 작곡된 감정 클립, 단일 순위 설계에서의 청취자 일치도 | 전체 58.5%: 정서가 59.2%, 각성도 59.4%, 긴장감 56.8%(참가자 180명, 클립 90개) | Plut, 박사 학위 논문, Simon Fraser University 2022 |
| 청취자가 작곡가의 라벨을 확인한 클립 세트 | 30개 중 19개 일치, 10개 불일치, 1개는 명확한 합의 없음 | Plut, 박사 학위 논문, Simon Fraser University 2022 |
목표 감정에 맞춰 쓴 클립조차 그 감정을 빗나갔다. 30개 세트 중 10개는 반대 방향으로 갔다. 이런 라벨로 학습한 생성형 시스템은 그 불일치를 물려받는다.
이용 가능한 가장 최근 데이터: Ferreira 외, AIIDE 2022. 게임 음악에 대해 이 정도 규모의 2025년 또는 2026년 청취자 연구는 찾지 못했다.
3. 시스템 측정: 속도, 안정성, 동작
소리만으로 플레이하는 게임 에이전트의 승률은 배경 음악이 플레이어의 체력과 거리를 따라가자 0.52에서 0.94로 올랐다. 이 IEEE CoG 연구에서는 사람이 플레이하지 않았고, 분리된 악기 그룹에 단순한 볼륨 규칙을 적용했다. 그래도 유용한 점을 보여준다. 적응형 음악은 분위기만이 아니라 게임 상태를 전달할 수 있다. 리듬 게임이 이 아이디어를 가장 멀리 밀고 나가지만, 그 트랙은 생성된 것이 아니라 라이선스된 것이라는 점은 저희 리듬 게임 음악 라이선스 통계가 보여준다.
속도는 들쭉날쭉하다. 클립 모델은 테스트 기기 한 대에서 실시간을 앞섰지만, 무거운 트랜스포머 파이프라인은 여전히 오프라인으로 돌았다. 프롬프트 안정성은 더 새로운 우려다. Wu와 Si(IVA 2026)는 프롬프트의 작은 수정이 갑작스러운 음악적 비약을 일으키는지 시험했는데, 플레이 중 프롬프트를 바꾸는 스코어라면 이것이 문제가 된다.
| 지표 | 값 | 출처 |
|---|---|---|
| MusicGen 8초 클립 생성 시간(Threadripper 2950X CPU, RTX 2080 GPU) | 4초 미만 | Marrinan 외, arXiv 프리프린트 2024 |
| 적응형 음악 시스템의 게임 상태 메시지 업데이트 주기 | 30 ms마다, 에이전트는 한 번에 2마디(음악의 구획)를 작성 | Hutchings와 McCormack, IEEE Transactions on Games 2019 |
| 하나의 생성형 적응 스코어에서 나오는 고유한 편곡 | 14조에 가까운 수, MMM 모델이 실시간용으로는 너무 무거워 오프라인으로 생성 | Plut, 박사 학위 논문, Simon Fraser University 2022 |
| 작은 프롬프트 변경 후 오디오 유사도, MusicGen-large, CLAP 코사인 유사도(1.0 = 동일) | 단어 하나 교체 시 0.7666, 강도 변경 시 0.8202(전 조건에 걸친 프롬프트 그룹 75개, 시드 6개) | Wu와 Si, IVA 2026 |
| 승률, FFT 오디오 인코더를 쓰는 소리 전용 에이전트, 원곡 대 적응형 음악 | 0.52 대 0.94; 평균 체력 점수 우위 27.03 대 136.14(조건당 90라운드) | Khan 외, IEEE CoG 2023 |
| 승률, 멜 스펙트로그램 인코더를 쓰는 소리 전용 에이전트, 원곡 대 적응형 음악 | 0.56 대 0.68(조건당 90라운드) | Khan 외, IEEE CoG 2023 |
| 32시간 분량 시네마틱 참조 세트에 대한 프레셰 오디오 거리(Frechet Audio Distance), 테이블탑 RPG 캠페인, 낮을수록 가까움 | 최고 생성기 3.00 대 사람의 원곡 사운드트랙 9.66 | Marra와 Ferreira, LAMIR 워크숍(arXiv 2024) |
| 스토리 적합도: 원래 배경 음악과의 발산도(KLD), 낮을수록 가까움 | 감정 프롬프트 버전 3.34 ± 1.89 대 기준선 4.84 ± 2.98 | Marra와 Ferreira, LAMIR 워크숍(arXiv 2024) |
프레셰 행은 주의가 필요하다. 거리가 낮다는 것은 오디오가 시네마틱 참조 세트에 통계적으로 더 가깝다는 뜻이지, 사람의 사운드트랙보다 나은 음악이라는 뜻이 아니다. Babel Bardo 논문은 캠페인 2개에 걸쳐 자동 지표를 썼고 사람의 선호도 테스트는 하지 않았으며, 청취자 연구는 향후 과제로 남겼다.
4. 학습 데이터: 옛 사운드 칩 위에 세워진 코퍼스
NES Music Database에는 게임 397개의 5,278곡이 들어 있으며, 총 약 46.1시간이다. 1980년대 게임기가 여전히 게임 음악 연구의 중심에 있는 이유는 그 곡들이 간결하고, 여러 악기로 이루어져 있으며, 기호적(symbolic) 형태이기 때문이지, 현대 오케스트라 스코어를 닮아서가 아니다. 학습 데이터와 실제로 출시된 사운드트랙 사이의 간극은 염두에 둘 만하다. 라이선스된 기성 대안은 저희 제작용 음악 라이브러리 통계를 참고하기 바란다.
평가 관행도 규모만큼 중요하다. NES Video-Music Database와 YM2413-MDB의 기준선은 모두 청취 테스트를 쓰지 않고 객관적 지표와 분류기에 의존했다. 조건부 생성은 보고된 5개 지표 모두에서 사람의 음악에 더 가까워졌지만, 장르 분류기는 그래도 생성된 곡을 사람의 곡보다 덜 자주 인식했다.
| 지표 | 값 | 출처 |
|---|---|---|
| NES Music Database 규모 | 5,278곡, 게임 397개, 작곡가 296명 | Donahue 외, ISMIR 2018 |
| NES Music Database 분량 | 음표 2,325,636개, 46.1시간 | Donahue 외, ISMIR 2018 |
| NES Video-Music Database 규모 | 게임 389개의 15초 클립 98,940개, 영상 474시간 | Cardoso 외, FDG 2024 |
| 게임플레이 클립과 짝지어진 곡, NES Video-Music Database | 5,278곡 중 4,070곡 | Cardoso 외, FDG 2024 |
| 그루빙 패턴 유사도: 영상으로 조건화한 모델, 조건 없는 모델, 사람의 곡 | 0.821, 0.694, 0.999(세트당 140곡) | Cardoso 외, FDG 2024 |
| 생성된 곡 대 사람의 곡에 대한 장르 분류기 정확도 | 22% 대 34% | Cardoso 외, FDG 2024 |
| YM2413-MDB, 감정 태그가 달린 1980년대 FM 칩 게임 음악 | 파일 669개, 15.4시간, 감정 태그 19개, 곡당 주석자 2명과 검증자 3명 | Choi 외, ISMIR 2022 |
| 4사분면 감정 인식 정확도, YM2413-MDB | 오디오 최고 0.65(짧은 청크 ResNet), 기호 음악 최고 0.48(로지스틱 회귀) | Choi 외, ISMIR 2022 |
감정 라벨은 여전히 가장 희소한 자원이다. VGMIDI는 823곡으로 시작해 그중 95곡에 주석을 달았고, 라벨이 붙은 구절 966개와 89.83 ± 3.14%의 감성 분류기를 얻었다(Ferreira와 Whitehead, ISMIR 2019). 이 라벨 세트는 나중에 200곡으로 늘었다(Ferreira, Lelis, Whitehead, AIIDE 2020). 구조 라벨은 더 빈약하다. Luo와 Reiss의 2026년 프리프린트는 구조 주석 309개를 가진 게임 오디오 데이터셋을 구축하면서, 구조에 대한 이해가 약한 것이 업계가 신경망 생성기를 거의 쓰지 않는 이유 중 하나라고 주장했다.
이용 가능한 가장 최근 데이터: Donahue 외 2018, Ferreira와 Whitehead 2019, Choi 외 2022.
5. 작곡가: 일자리 걱정보다 품질과 정체성
‘AI는 사람 수준의 독창적인 음악을 만들지 못한다’는 전문 게임 작곡가 인터뷰 연구 한 건에서 가장 큰 하위 주제로, 코드 1,199개 중 191개를 차지했다. 일자리 안정성은 겨우 11개였다. 이 분야를 일자리 공황으로 읽으려는 본능은 이 작곡가 11명이 실제로 인터뷰 시간을 쓴 대상, 즉 품질, 창작 통제권, 소유권과 맞지 않는다. 이는 도구의 설계 방향을 다시 짜게 하며, 저희 AI 음악 생성 저작권 분쟁 통계에서 추적하는 법적 쟁점과도 이어진다.
이는 연구자 한 명이 수행한 성찰적 주제 분석의 코드 수이므로, 해당 주제가 얼마나 자주 언급되었는지를 측정할 뿐 그 견해를 가진 사람이 몇 명인지를 측정하지는 않는다. 여론조사가 아니라 대화의 지도로 받아들이기 바란다.
| 지표 | 값 | 출처 |
|---|---|---|
| 연구 표본, 출시된 게임이 한 편 이상 있는 전문 게임 작곡가 | 11명, 약 13시간 분량의 인터뷰, 코드 1,199개 | Worrall과 Collins, IEEE Transactions on Games 2023 |
| AI 음악 기술에 대한 우려에 관한 코드의 비중 | 38.87% | Worrall과 Collins, IEEE Transactions on Games 2023 |
| 창작자의 자아와 AI의 충돌에 관한 코드 비중 대 AI의 장점에 관한 비중 | 29.36% 대 13.09% | Worrall과 Collins, IEEE Transactions on Games 2023 |
| ’음악 AI는 창작자의 자아와 충돌한다’ 대 ‘AI는 작업 흐름에 도움이 될 수 있다’에 관한 코드 | 133 대 70 | Worrall과 Collins, IEEE Transactions on Games 2023 |
| 일자리 안정성에 대한 우려 대 음악적 표현과 소유권에 대한 우려에 관한 코드 | 11 대 83 | Worrall과 Collins, IEEE Transactions on Games 2023 |
6. 분야 배경: 연구된 시스템은 적고 Steam 플레이어는 경계한다
저희가 읽을 수 있었던 가장 완전한 학술 조사(2022년)는 게임에서 나온 생성형 음악 시스템 34개만 다루며, 그중 19개는 직전 10년의 것이다. Luo와 Reiss(AES 2025)의 더 최근 개관은 학술 프로토타입과 상업적 사용이 여전히 벌어져 있다고 말한다. 양쪽이 참신성, 신뢰성, 자원의 우선순위를 서로 다르게 두기 때문이다. 절차적 음악을 쓰는 출시 게임의 수를 센 공개 데이터셋은 찾지 못했으므로, 온라인에 떠도는 그런 수치는 의심해 볼 만하다.
플레이어 정서에 가장 가까운 대리 지표는 Steam에서 나오며, 사운드트랙이 아니라 게임 전체를 대상으로 한다. 이 2026년 프리프린트는 생성형 AI 사용을 공개한 게임의 기준선으로 절차적 콘텐츠 생성을 사용했다. 리뷰어들은 생성형 AI를 개발자의 투자가 낮다는 신호로 읽는 경향이 있었는데, 이는 그 꼬리표를 내세워 판매하는 모든 음악 도구에 대한 경고다.
| 지표 | 값 | 출처 |
|---|---|---|
| 한 학술 조사에서 게임에서 나온 생성형 음악 시스템 | 34개 시스템, 그중 19개는 조사 이전 10년의 것 | Plut, 박사 학위 논문, Simon Fraser University 2022 |
| 생성형 AI 사용을 공개한 Steam 출시작의 비중 | 2024년 5.6%, 2025년 10.3% | Bazzaz와 Cooper, arXiv 프리프린트 2026 |
| 추천율, 절차적 콘텐츠 게임 대 생성형 AI 게임 | 86.3% 대 68.4%(게임 5,186개 대 5,970개, 영어 리뷰 508,192건) | Bazzaz와 Cooper, arXiv 프리프린트 2026 |
| 생성형 AI 게임 대 절차적 콘텐츠 게임의 로지스틱 회귀 결과 | 오즈비 0.63(95% 신뢰구간 [0.62, 0.64], p < .001) | Bazzaz와 Cooper, arXiv 프리프린트 2026 |
| 무료 플레이 게임 대 유료 게임의 추천율, 절차적 대 생성형 AI | 무료 플레이 83.1% 대 50.1%; 유료 86.9% 대 78.9% | Bazzaz와 Cooper, arXiv 프리프린트 2026 |
| 생성형 AI에 대한 인식을 드러낸 리뷰의 추천율 | 49.5%(부정적 감정 63.7%, n = 7,834) | Bazzaz와 Cooper, arXiv 프리프린트 2026 |
숫자로 보는 절차적·생성형 게임 음악 시스템
| 지표 | 값 | 출처 |
|---|---|---|
| Bardo Composer 청취자가 정서가와 각성도를 맞힌 비율 | 34% 대 우연 25%(참가자 116명) | Ferreira, Lelis, Whitehead, AIIDE 2020 |
| 전반적 품질, 사람 대 최고 생성기, 1에서 5 척도 | 4.11 대 3.94(유효 응답 199건) | Ferreira 외, AIIDE 2022 |
| 몰입감, 적응형 시스템 대 StarCraft II 원곡 스코어 | p = 0.053(플레이어 34명) | Hutchings와 McCormack, IEEE Transactions on Games 2019 |
| VR 양궁, 고정 음악 대 적응형 생성 음악 | 참가자 22명, 현존감과 감정적 영향 상승 | Wen 외, IEEE Transactions on Visualization and Computer Graphics 2026 |
| 테트리스 유사 게임에서 생성형 대 선형 사운드트랙 | 학부생 39명, 가설 지지되지 않음 | Sites와 Potter, Game Studies 2018 |
| 하나의 생성형 적응 스코어에서 나오는 고유한 편곡 | 14조에 가까운 수, 오프라인만 | Plut, 박사 학위 논문, Simon Fraser University 2022 |
| MusicGen 8초 클립 생성 시간 | 4초 미만 | Marrinan 외, arXiv 프리프린트 2024 |
| 프롬프트 강도 변경 후 MusicGen-large 유사도 | CLAP 코사인 유사도 0.8202 | Wu와 Si, IVA 2026 |
| 소리 전용 에이전트의 승률, 원곡 대 적응형 음악 | 0.52 대 0.94 | Khan 외, IEEE CoG 2023 |
| 프레셰 오디오 거리, 최고 생성기 대 사람의 사운드트랙 | 3.00 대 9.66 | Marra와 Ferreira, LAMIR 워크숍(arXiv 2024) |
| NES Music Database | 5,278곡, 게임 397개, 46.1시간 | Donahue 외, ISMIR 2018 |
| NES Video-Music Database | 클립 98,940개, 게임 389개 | Cardoso 외, FDG 2024 |
| YM2413-MDB | 파일 669개, 15.4시간 | Choi 외, ISMIR 2022 |
| 작곡가 코드, ‘사람 수준의 독창성이 없다’ 대 일자리 안정성 | 코드 1,199개 중 191개 대 11개 | Worrall과 Collins, IEEE Transactions on Games 2023 |
| Steam 추천율, 절차적 콘텐츠 게임 대 생성형 AI 게임 | 86.3% 대 68.4% | Bazzaz와 Cooper, arXiv 프리프린트 2026 |
방법론과 출처
저희는 각 연구 또는 그 저장소 페이지를 읽었고, 표본은 인쇄된 그대로 보고한다. SEO 블로그나 리스트 기사에서 가져온 수치는 하나도 없다.
- Wen 외, Tuning Immersion and Performance with Adaptive Generative Music in VR, IEEE TVCG 2026
- Hutchings와 McCormack, Adaptive Music Composition for Games, IEEE Transactions on Games 2019
- Plut, Application and evaluation of affective adaptive generative music for video games, Simon Fraser University 2022
- Ferreira, Lelis, Whitehead, Computer-Generated Music for Tabletop Role-Playing Games, AIIDE 2020
- Ferreira 외, Controlling Perceived Emotion in Symbolic Music Generation with Monte Carlo Tree Search, AIIDE 2022
- Ferreira와 Whitehead, Learning to Generate Music With Sentiment, ISMIR 2019
- Worrall과 Collins, Considerations and Concerns of Professional Game Composers Regarding Artificially Intelligent Music Technology, IEEE Transactions on Games 2023
- Donahue 외, The NES Music Database, ISMIR 2018
- Cardoso 외, The NES Video-Music Database, FDG 2024
- Choi 외, YM2413-MDB, ISMIR 2022
- Khan 외, Fighting Game Adaptive Background Music for Improved Gameplay, IEEE CoG 2023에서 갱신
- Wu와 Si, Evaluating Prompt Robustness in Text-to-Audio Systems, IVA 2026
- Marrinan 외, AI audio for user-generated game content, arXiv 프리프린트 2024
- Marra와 Ferreira, Long-Form Text-to-Music Generation with Adaptive Prompts, LAMIR 워크숍
- Bazzaz와 Cooper, Player Perceptions of Generative AI in Games, arXiv 프리프린트 2026
- Luo와 Reiss, Procedural Music Generation Systems in Games, AES 2025 및 Supervised Learning for Game Music Segmentation, arXiv 프리프린트 2026
- Sites와 Potter, Everything Merges with the Game, Game Studies 2018, 표본은 Tampere University Playlab 요약에서 가져왔다
- Adam, Procedural Music Generation and Adaptation Based on Game State, Cal Poly 석사 학위 논문 2014 및 Yan, Generating Rhythm Game Music with Jukebox, arXiv 프리프린트 2023
- 데이터 참고 사항: 이곳의 표본 대부분은 작기 때문에 유의하지 않은 결과가 효과가 없다는 증거는 아니다. Worrall과 Collins는 하위 주제 수를 한 곳에서는 29개, 다른 곳에서는 30개로 적었고(표에는 29개가 나열되어 있다), AAA 작곡가 수도 맞아떨어지지 않아서 어느 쪽도 인용하지 않는다. Plut의 PreGLAM 장은 서론에서는 참가자를 50명, 방법에서는 48명이라고 적었는데, 저희는 48명을 쓴다. Wu와 Si의 경우, 저희가 읽은 전문의 표는 초록의 순위가 시사하는 것보다 바꿔 쓰기에서 Stable Audio의 유사도가 낮게 나타나므로, 초록과 일치하는 MusicGen-large 수치만 인용한다. Khan 외는 사람 플레이어를 쓰지 않았고 유의성 검정도 보고하지 않는다. Steam 프리프린트는 게임 전체를 다루며 동료 심사를 거치지 않았고, 플레이 시간 중앙값이 표와 본문에서 다르므로 그 수치는 뺐다. 작곡가 인터뷰는 2023년, 시스템 조사는 2022년의 것이어서 둘 다 후속 연구가 필요하다. 온라인에 도는 업체 주도의 적응형 음악 조사는 1차 문서까지 추적할 수 없어 제외했다. 상업적 도입 건수는 저희가 검증할 수 있는 형태로 구할 수 없었다.
마지막 업데이트: 2026년 10월 31일. 저희는 이 정리를 분기마다 업데이트하며, 다음 갱신은 AIIDE 2026과 ISMIR 2026 논문집이 공개될 때 이루어질 것으로 예상한다.