ผู้ฟังระบุอารมณ์ที่ตัวสร้างดนตรีเกมตั้งใจสื่อได้เพียง 34% เทียบกับ 25% ตามโอกาสสุ่ม และงานแต่งโดยมนุษย์ในการทดสอบเดียวกันก็ได้ 34% เท่ากัน (Ferreira, Lelis และ Whitehead, AIIDE 2020) ผลนี้ชี้ให้เห็นกรอบของวงการ เป้าหมายนี้ยากแม้สำหรับดนตรีที่มนุษย์แต่ง ระบบปรับตามเกมของ Hutchings และ McCormack ได้ผลด้านความดื่มด่ำที่มีนัยสำคัญภายในแต่ละกลุ่ม แต่ไม่มีการเปรียบเทียบระหว่างกลุ่มทั้งสี่รายการใดที่ต่ำกว่า p = 0.05 (IEEE Transactions on Games 2019) บน Steam เกมที่เปิดเผยว่าใช้ AI เชิงกำเนิดได้อัตราการแนะนำ 68.4% เทียบกับ 86.3% ของเกมที่มีเนื้อหาเชิงกระบวนการ แม้ตัวเลขนั้นครอบคลุมเกมทั้งเกมไม่ใช่เฉพาะดนตรี (Bazzaz และ Cooper, พรีปรินต์ arXiv 2026) เรารวบรวมข้อมูลจาก IEEE Transactions on Games, AIIDE, ISMIR, IEEE Conference on Games และการศึกษาผู้เล่นที่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิ บทสรุปนี้จำกัดอยู่ที่ระบบและการประเมินระบบ จึงควรอ่านคู่กับสถิติดนตรีประกอบเกมของเราสำหรับด้านการค้าของดนตรีเกม
สรุปโดยย่อ
- ตอบถูก 34% ทั้งความพึงใจทางอารมณ์และระดับการตื่นตัวรวมกัน เทียบกับ 25% ตามโอกาสสุ่ม โดยงานของมนุษย์ก็ได้ 34% เช่นกัน (Ferreira และคณะ, AIIDE 2020, ผู้เข้าร่วม 116 คน)
- ความดื่มด่ำ p = 0.121 สำหรับ Zelda และ p = 0.053 สำหรับ StarCraft II ระบบปรับตามเกมเทียบกับดนตรีต้นฉบับ (Hutchings และ McCormack, IEEE Transactions on Games 2019, ผู้เล่น 34 คน)
- ดนตรีแบบปรับตามเกมเพิ่มความรู้สึกเสมือนอยู่ในเหตุการณ์และผลกระทบทางอารมณ์ในการยิงธนูแบบ VR (Wen และคณะ, IEEE TVCG 2026, ผู้เข้าร่วม 22 คน)
- คุณภาพโดยรวมในมาตรวัด 1 ถึง 5: มนุษย์ 4.11 ตัวสร้างที่ดีที่สุด 3.94 (Ferreira และคณะ, AIIDE 2022, คำตอบที่ใช้ได้ 199 รายการ)
- อัตราชนะของเอเจนต์เล่นเกมที่ใช้เสียงอย่างเดียวเพิ่มจาก 0.52 เป็น 0.94 เมื่อใช้ดนตรีแบบปรับตามเกม (Khan และคณะ, IEEE CoG 2023, 90 รอบต่อเงื่อนไข)
- MusicGen สร้างคลิปยาว 8 วินาทีได้ในเวลาน้อยกว่า 4 วินาทีบนเครื่องทดสอบหนึ่งเครื่อง (Marrinan และคณะ, พรีปรินต์ arXiv 2024)
- 5,278 เพลงจาก 397 เกมใน NES Music Database (Donahue และคณะ, ISMIR 2018)
- 98,940 คลิปการเล่นที่จับคู่กับดนตรีจาก 389 เกม (Cardoso และคณะ, FDG 2024)
- 38.87% ของรหัสการสัมภาษณ์เป็นความกังวลและ 13.09% เป็นประโยชน์ (Worrall และ Collins, IEEE Transactions on Games 2023, นักแต่งเพลง 11 คน)
- อัตราการแนะนำบน Steam 86.3% สำหรับเกมที่มีเนื้อหาเชิงกระบวนการ เทียบกับ 68.4% สำหรับเกม AI เชิงกำเนิด (Bazzaz และ Cooper, พรีปรินต์ arXiv 2026)
1. การศึกษาผู้เล่น: ความตึงเครียดขยับได้ แต่ความดื่มด่ำพิสูจน์ได้ยากกว่า
ไม่มีการเปรียบเทียบระหว่างกลุ่มทั้งสี่รายการในการศึกษาของ Hutchings และ McCormack ที่ต่ำกว่า p = 0.05 แม้ว่าการทดสอบภายในกลุ่มของบทความจะผ่านก็ตาม พาดหัวที่ว่า “ผู้เล่นรู้สึกดื่มด่ำขึ้น” เป็นจริงสำหรับการเปลี่ยนแปลงของแต่ละคน ไม่ใช่ชัยชนะที่ชัดเจนเหนือดนตรีประกอบต้นฉบับ กลุ่มตัวอย่างขนาดเล็กเช่นนี้ตรวจจับได้เฉพาะผลที่ใหญ่ ดังนั้นการพลาดไปนิดเดียวที่ p = 0.053 จึงไม่ใช่หลักฐานของความสำเร็จหรือความล้มเหลว
ความตึงเครียดเป็นผลลัพธ์ที่แข็งแรงกว่า ในGalactic Escape เกมทดสอบของ Simon Fraser University ดนตรีแบบปรับตามเกมเพิ่มความตึงเครียดที่รู้สึกได้ แม้จะจับคู่ย้อนกลับกับเส้นโค้งความตึงเครียดของเกมก็ตาม นี่ชี้ว่าดนตรีที่ตอบสนองให้ได้ยินอาจสำคัญกว่าดนตรีที่ตอบสนองอย่างถูกต้อง ซึ่งควรทำให้ใครก็ตามที่ใช้เวลาหลายสัปดาห์กับกฎการจับคู่ต้องคิดใหม่ Wen และคณะ (2026) เพิ่มคำเตือนจาก VR: ความตึงเครียดทางดนตรีระดับปานกลางช่วยให้การเล็งและเวลาเล็งดีขึ้น ส่วนความตึงเครียดสูงทำให้แย่ลงทั้งสองอย่าง เป็นรูปตัว U กลับหัว
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ดนตรีประกอบแบบคงที่เทียบกับดนตรีประกอบเชิงกำเนิดแบบปรับตามเกมในการยิงธนูแบบ VR การออกแบบแบบภายในกลุ่มผู้เข้าร่วม | ผู้เข้าร่วม 22 คน, ช่วงความตึงเครียด 4 ช่วง; ความรู้สึกเสมือนอยู่ในเหตุการณ์และผลกระทบทางอารมณ์เพิ่มขึ้น | Wen และคณะ, IEEE Transactions on Visualization and Computer Graphics 2026 |
| ความดื่มด่ำ ระบบปรับตามเกมเทียบกับดนตรีต้นฉบับของเกม Zelda: MoS | p = 0.121, η² = 0.042 (ผู้เล่น 34 คน, 2 กลุ่มกลุ่มละ 17 คน, รอบเล่น 20 นาที) | Hutchings และ McCormack, IEEE Transactions on Games 2019 |
| ความดื่มด่ำ ระบบปรับตามเกมเทียบกับดนตรีต้นฉบับของ StarCraft II | p = 0.053, η² = 0.079 | Hutchings และ McCormack, IEEE Transactions on Games 2019 |
| ผลของดนตรีต่อความดื่มด่ำที่รายงาน ภายในแต่ละกลุ่ม เมื่อใช้ระบบปรับตามเกม | เพิ่มขึ้นอย่างมีนัยสำคัญในทั้งสองกลุ่ม (p<0.05, การทดสอบอันดับที่มีเครื่องหมายของ Wilcoxon) | Hutchings และ McCormack, IEEE Transactions on Games 2019 |
| ความตึงเครียดที่รู้สึกได้ ค่าเฉลี่ยตามดนตรีประกอบ: จับคู่ตามความตึงเครียด 0.62, จับคู่ย้อนกลับ 0.61, ไม่มีดนตรี 0.55, เป็นกลาง 0.49 | F(3, 87) = 3.662, p = .015, η² บางส่วน = .112 (เก็บผู้เล่น 30 คนจาก 35 คนที่สรรหา) | Plut, วิทยานิพนธ์ปริญญาเอก Simon Fraser University 2022 |
| ดนตรีเชิงกำเนิดเทียบกับดนตรีเชิงเส้นที่แต่งขึ้นเทียบกับดนตรีแบบปรับตามเกมที่แต่งขึ้น | ผู้เข้าร่วม 48 คน; ดนตรีเชิงเส้นได้คะแนนสูงสุดในทุกคำถาม ดนตรีเชิงกำเนิดตามมาเป็นอันดับสองอย่างใกล้ชิดในด้านความสอดคล้องทางอารมณ์ ความดื่มด่ำ และความชอบ | Plut, วิทยานิพนธ์ปริญญาเอก Simon Fraser University 2022 |
| ดนตรีประกอบเชิงกำเนิดเทียบกับเชิงเส้นในเกมแนว Tetris | นักศึกษาปริญญาตรี 39 คน; สมมติฐานไม่ได้รับการสนับสนุน ผู้เล่นแยกสองแบบไม่ออก แต่สภาวะลื่นไหล (flow) ก็ยังได้รับผลกระทบ | Sites และ Potter, Game Studies 2018 |
| ชุดฝึกที่ให้คะแนนตามอารมณ์ของตัวสร้างดนตรีเกมเว็บ จากนั้นทดสอบ A/B เทียบกับดนตรีคงที่ | 80 ชิ้นที่ให้คะแนน; ความสามารถในการปรับตามเกมไม่ได้ดีกว่าดนตรีที่แต่งขึ้นเสมอไป | Adam, วิทยานิพนธ์ปริญญาโท Cal Poly 2014 |
สองแถวที่เก่าที่สุดช่วยเพิ่มความละเอียด Sites และ Potter พบสภาวะลื่นไหล (flow คือสภาวะที่จดจ่อและดื่มด่ำอย่างเป็นสุข) สูงกว่าในผู้ที่เล่นเวอร์ชันเชิงกำเนิดก่อน (กลุ่มตัวอย่างจากบทสรุปของ Playlab มหาวิทยาลัย Tampere) และวิทยานิพนธ์ AUD.js ไม่พบข้อได้เปรียบโดยอัตโนมัติเหนือดนตรีที่แต่งขึ้น
ข้อมูลล่าสุดที่มีสำหรับหัวข้อนี้: Wen และคณะ 2026 การศึกษาอื่นทั้งหมดที่นี่มาจากช่วงปี 2014 ถึง 2022
2. การประเมินของผู้ฟัง: อารมณ์ที่ตั้งใจสื่อยังไปถึงผู้ฟังหรือไม่?
งานแต่งโดยมนุษย์ไม่ได้คะแนนดีกว่าตัวสร้างในการทดสอบ Bardo Composer: ทั้งสองอยู่ที่ 34% นี่เป็นการตรวจสอบความเป็นจริงของตัวภารกิจมากกว่าความล้มเหลวของโมเดล การระบุความพึงใจทางอารมณ์ (valence คือดนตรีให้ความรู้สึกพึงใจหรือไม่พึงใจเพียงใด) และระดับการตื่นตัว (arousal คือให้ความรู้สึกสงบหรือคึกคักเพียงใด) พร้อมกันนั้นยากอยู่แล้ว และผู้ให้บริการรายใดที่อ้างว่าเล็งอารมณ์ได้เกือบสมบูรณ์ควรถูกถามว่าเกณฑ์เปรียบเทียบของมนุษย์ได้คะแนนเท่าใด
คะแนนคุณภาพเล่าเรื่องที่กระชับกว่า การศึกษา AIIDE ปี 2022 วางตัวสร้างที่ดีที่สุดห่างจากดนตรีของมนุษย์ 0.17 คะแนน (4.11 ลบ 3.94) แม้จะเหลือคำตอบเพียง 199 รายการหลังการกรองจากผู้สรรหา 1,600 คน ซึ่งเป็นเครื่องเตือนใจว่าข้อมูลการฟังจากแรงงานระดมสมองมีสัญญาณรบกวนก่อนจะให้ข้อมูลได้ การทดสอบขนาดเล็กกว่าโดย Yan (พรีปรินต์ arXiv 2023) กับเรียบเรียงเปียโนของเกมจังหวะ 16 ชิ้นก็พบว่าผู้ฟังชอบดนตรีที่มนุษย์สร้างมากกว่า แต่ไม่ได้ระบุจำนวนผู้ตอบ
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| Bardo Composer (ตัวสร้างสำหรับเซสชันเกมสวมบทบาทบนโต๊ะ): ตอบถูกทั้งความพึงใจทางอารมณ์และระดับการตื่นตัวรวมกัน | 34% เทียบกับ 25% ตามโอกาสสุ่ม, p = 0.02 (ผู้เข้าร่วม 116 คน, 2 กลุ่มกลุ่มละ 58 คน) | Ferreira, Lelis และ Whitehead, AIIDE 2020 |
| Bardo Composer: ตอบถูกในระดับการตื่นตัวที่ตั้งใจ ส่วนที่ดีที่สุดที่รายงาน (ตอนที่ 4 ส่วนที่ 1) | ผู้เข้าร่วม 87% | Ferreira, Lelis และ Whitehead, AIIDE 2020 |
| คุณภาพโดยรวม มาตรวัด 1 ถึง 5 ค่าเฉลี่ย ± ส่วนเบี่ยงเบนมาตรฐาน | มนุษย์ 4.11 ± 0.73, วิธีค้นหาแบบต้นไม้ (PUCT) 3.94 ± 0.76, CS 3.68 ± 0.96, SBBS 3.62 ± 1.01 (คำตอบที่ใช้ได้ 199 รายการจากผู้สรรหา 1,600 คน, 80 ชิ้นต่อตัวสร้าง) | Ferreira และคณะ, AIIDE 2022 |
| คลิปอารมณ์ที่แต่งขึ้น ความเห็นพ้องของผู้ฟังในการออกแบบแบบจัดอันดับเดียว | 58.5% โดยรวม: ความพึงใจทางอารมณ์ 59.2%, ระดับการตื่นตัว 59.4%, ความตึงเครียด 56.8% (ผู้เข้าร่วม 180 คน, 90 คลิป) | Plut, วิทยานิพนธ์ปริญญาเอก Simon Fraser University 2022 |
| ชุดคลิปที่ผู้ฟังยืนยันป้ายกำกับของนักแต่งเพลง | ตรงกัน 19 จาก 30 ชุด, ไม่เห็นด้วย 10 ชุด, ไม่มีความเห็นพ้องที่ชัดเจน 1 ชุด | Plut, วิทยานิพนธ์ปริญญาเอก Simon Fraser University 2022 |
แม้แต่คลิปที่เขียนขึ้นตามอารมณ์เป้าหมายก็ยังพลาดเป้า: 10 จาก 30 ชุดไปในทางตรงข้าม ระบบเชิงกำเนิดที่ฝึกด้วยป้ายกำกับเช่นนี้จึงสืบทอดความไม่ลงรอยนั้นมา
ข้อมูลล่าสุดที่มี: Ferreira และคณะ, AIIDE 2022 เราไม่พบการศึกษาผู้ฟังขนาดนี้สำหรับดนตรีเกมจากปี 2025 หรือ 2026
3. การวัดระบบ: ความเร็ว เสถียรภาพ และพฤติกรรม
อัตราชนะของเอเจนต์เล่นเกมที่ใช้เสียงอย่างเดียวเพิ่มจาก 0.52 เป็น 0.94 เมื่อดนตรีพื้นหลังติดตามพลังชีวิตและระยะห่างของผู้เล่น ไม่มีมนุษย์เล่นในการศึกษา IEEE CoG นี้ และมันใช้กฎระดับเสียงง่าย ๆ กับกลุ่มเครื่องดนตรีที่แยกออกมา แต่ก็ยังชี้ประเด็นที่เป็นประโยชน์ได้: ดนตรีแบบปรับตามเกมสามารถส่งผ่านสถานะของเกมได้ ไม่ใช่แค่อารมณ์ เกมจังหวะผลักดันแนวคิดนี้ไปไกลที่สุด แม้เพลงของมันจะได้รับอนุญาตใช้สิทธิ์ ไม่ได้สร้างขึ้นโดยระบบ ดังที่สถิติการอนุญาตใช้ดนตรีในเกมจังหวะของเราแสดงไว้
ความเร็วไม่สม่ำเสมอ โมเดลคลิปเอาชนะเรียลไทม์ได้บนเครื่องทดสอบหนึ่งเครื่อง ขณะที่สายงานทรานส์ฟอร์เมอร์ขนาดหนักยังทำงานแบบออฟไลน์ เสถียรภาพของพรอมต์เป็นความกังวลที่ใหม่กว่า: Wu และ Si (IVA 2026) ทดสอบว่าการแก้พรอมต์เล็กน้อยทำให้ดนตรีกระโดดฉับพลันหรือไม่ ซึ่งจะทำลายดนตรีที่เปลี่ยนพรอมต์ระหว่างเล่น
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เวลาที่ใช้สร้างคลิป MusicGen ยาว 8 วินาที (ซีพียู Threadripper 2950X, จีพียู RTX 2080) | น้อยกว่า 4 วินาที | Marrinan และคณะ, พรีปรินต์ arXiv 2024 |
| รอบการอัปเดตข้อความสถานะเกมของระบบดนตรีแบบปรับตามเกม | ทุก 30 มิลลิวินาที โดยเอเจนต์เขียนครั้งละสองห้องดนตรี (ห้องของเพลง) | Hutchings และ McCormack, IEEE Transactions on Games 2019 |
| การเรียบเรียงที่ไม่ซ้ำกันจากดนตรีเชิงกำเนิดแบบปรับตามเกมหนึ่งชุด | เกือบ 14 ล้านล้าน สร้างแบบออฟไลน์เพราะโมเดล MMM หนักเกินกว่าจะใช้แบบเรียลไทม์ | Plut, วิทยานิพนธ์ปริญญาเอก Simon Fraser University 2022 |
| ความคล้ายของเสียงหลังเปลี่ยนพรอมต์เล็กน้อย MusicGen-large ความคล้ายโคไซน์ CLAP (1.0 = เหมือนกันทุกประการ) | 0.7666 เมื่อสลับคำหนึ่งคำ, 0.8202 เมื่อเปลี่ยนความเข้ม (พรอมต์ 75 กลุ่มในทุกเงื่อนไข, ค่าเริ่มต้นสุ่ม 6 ค่า) | Wu และ Si, IVA 2026 |
| อัตราชนะ เอเจนต์ที่ใช้เสียงอย่างเดียวพร้อมตัวเข้ารหัสเสียง FFT ดนตรีต้นฉบับเทียบกับดนตรีแบบปรับตามเกม | 0.52 เทียบกับ 0.94; ส่วนนำพลังชีวิตเฉลี่ย 27.03 เทียบกับ 136.14 (90 รอบต่อเงื่อนไข) | Khan และคณะ, IEEE CoG 2023 |
| อัตราชนะ เอเจนต์ที่ใช้เสียงอย่างเดียวพร้อมตัวเข้ารหัสเมลสเปกโทรแกรม ดนตรีต้นฉบับเทียบกับดนตรีแบบปรับตามเกม | 0.56 เทียบกับ 0.68 (90 รอบต่อเงื่อนไข) | Khan และคณะ, IEEE CoG 2023 |
| ระยะห่างเสียงแบบเฟรเชต์ (Frechet Audio Distance) ถึงชุดอ้างอิงแนวภาพยนตร์ 32 ชั่วโมง แคมเปญเกมสวมบทบาทบนโต๊ะ ค่ายิ่งต่ำยิ่งใกล้ | ตัวสร้างที่ดีที่สุด 3.00 เทียบกับดนตรีประกอบต้นฉบับของมนุษย์ 9.66 | Marra และ Ferreira, เวิร์กชอป LAMIR (arXiv 2024) |
| ความเหมาะกับเนื้อเรื่อง: ความเบี่ยงเบนจากดนตรีพื้นหลังต้นฉบับ (KLD) ค่ายิ่งต่ำยิ่งใกล้ | เวอร์ชันพรอมต์อารมณ์ 3.34 ± 1.89 เทียบกับเกณฑ์เปรียบเทียบ 4.84 ± 2.98 | Marra และ Ferreira, เวิร์กชอป LAMIR (arXiv 2024) |
แถวของระยะห่างเสียงแบบเฟรเชต์ต้องอ่านอย่างระมัดระวัง ระยะห่างที่ต่ำกว่าหมายถึงเสียงที่ใกล้ชุดอ้างอิงแนวภาพยนตร์ทางสถิติมากกว่า ไม่ได้หมายความว่าดนตรีดีกว่าดนตรีประกอบของมนุษย์ บทความ Babel Bardo ใช้ตัวชี้วัดอัตโนมัติกับ 2 แคมเปญ โดยไม่มีการทดสอบความชอบของมนุษย์ และถือว่าการศึกษาผู้ฟังเป็นงานในอนาคต
4. ข้อมูลฝึก: คลังข้อมูลที่สร้างบนชิปเสียงรุ่นเก่า
NES Music Database มี 5,278 เพลงจาก 397 เกม รวมประมาณ 46.1 ชั่วโมง เครื่องเล่นเกมยุค 1980 ยังคงเป็นศูนย์กลางของงานวิจัยดนตรีเกม เพราะเพลงของมันกะทัดรัด มีหลายเครื่องดนตรี และเป็นเชิงสัญลักษณ์ ไม่ใช่เพราะมันคล้ายดนตรีออร์เคสตราสมัยใหม่ ช่องว่างระหว่างข้อมูลฝึกกับดนตรีประกอบที่วางจำหน่ายจริงเป็นสิ่งที่ควรจำไว้: สำหรับทางเลือกที่มีลิขสิทธิ์ถูกต้อง ดูสถิติคลังดนตรีสำหรับงานผลิตของเรา
นิสัยในการประเมินสำคัญพอ ๆ กับขนาด ทั้ง NES Video-Music Database และเกณฑ์เปรียบเทียบของ YM2413-MDB ไม่ได้ใช้การทดสอบการฟัง แต่พึ่งตัวชี้วัดเชิงวัตถุวิสัยและตัวจำแนก การสร้างแบบมีเงื่อนไขเข้าใกล้ดนตรีของมนุษย์มากขึ้นในตัวชี้วัดที่รายงานทั้งห้า ทว่าตัวจำแนกแนวเพลงก็ยังรู้จักชิ้นที่สร้างขึ้นน้อยกว่าชิ้นของมนุษย์
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ขนาด NES Music Database | 5,278 เพลง, 397 เกม, นักแต่งเพลง 296 คน | Donahue และคณะ, ISMIR 2018 |
| ปริมาณ NES Music Database | 2,325,636 โน้ต, 46.1 ชั่วโมง | Donahue และคณะ, ISMIR 2018 |
| ขนาด NES Video-Music Database | 98,940 คลิปยาว 15 วินาทีจาก 389 เกม, วิดีโอ 474 ชั่วโมง | Cardoso และคณะ, FDG 2024 |
| ชิ้นดนตรีที่มีคลิปการเล่นจับคู่ NES Video-Music Database | 4,070 จาก 5,278 ชิ้น | Cardoso และคณะ, FDG 2024 |
| ความคล้ายของรูปแบบจังหวะกรู๊ฟ: โมเดลที่มีเงื่อนไขจากวิดีโอ โมเดลที่ไม่มีเงื่อนไข ชิ้นของมนุษย์ | 0.821, 0.694, 0.999 (140 ชิ้นต่อชุด) | Cardoso และคณะ, FDG 2024 |
| ความแม่นยำของตัวจำแนกแนวเพลงกับชิ้นที่สร้างขึ้นเทียบกับชิ้นของมนุษย์ | 22% เทียบกับ 34% | Cardoso และคณะ, FDG 2024 |
| YM2413-MDB ดนตรีเกมชิป FM ยุค 1980 พร้อมป้ายกำกับอารมณ์ | 669 ไฟล์, 15.4 ชั่วโมง, ป้ายกำกับอารมณ์ 19 ป้าย, ผู้ติดป้าย 2 คนบวกผู้ตรวจสอบ 3 คนต่อเพลง | Choi และคณะ, ISMIR 2022 |
| ความแม่นยำการรู้จำอารมณ์สี่ควอดแรนต์ YM2413-MDB | 0.65 ดีที่สุดกับเสียง (ResNet ชิ้นสั้น), 0.48 ดีที่สุดกับดนตรีเชิงสัญลักษณ์ (การถดถอยโลจิสติก) | Choi และคณะ, ISMIR 2022 |
ป้ายกำกับอารมณ์ยังคงเป็นทรัพยากรที่หายากที่สุด VGMIDI เริ่มจาก 823 ชิ้น ซึ่ง 95 ชิ้นมีการบันทึกกำกับ ได้วลี 966 วลีที่มีป้ายกำกับ และตัวจำแนกความรู้สึกที่ 89.83 ± 3.14% (Ferreira และ Whitehead, ISMIR 2019) ชุดที่มีป้ายกำกับของมันภายหลังเพิ่มเป็น 200 ชิ้น (Ferreira, Lelis และ Whitehead, AIIDE 2020) ป้ายกำกับโครงสร้างยิ่งบางกว่า: พรีปรินต์ปี 2026 โดย Luo และ Reiss สร้างชุดข้อมูลเสียงเกมที่มีคำอธิบายประกอบโครงสร้าง 309 รายการ โดยโต้แย้งว่าความเข้าใจโครงสร้างที่อ่อนเป็นเหตุผลหนึ่งที่อุตสาหกรรมแทบไม่ใช้ตัวสร้างแบบโครงข่ายประสาทเทียม
ข้อมูลล่าสุดที่มี: Donahue และคณะ 2018, Ferreira และ Whitehead 2019, Choi และคณะ 2022
5. นักแต่งเพลง: คุณภาพและอัตลักษณ์สำคัญกว่าความกลัวเรื่องงาน
‘AI ไม่สร้างดนตรีต้นฉบับที่มีคุณภาพระดับมนุษย์’ เป็นประเด็นย่อยที่ใหญ่ที่สุดในการศึกษาสัมภาษณ์นักแต่งเพลงเกมมืออาชีพชิ้นหนึ่ง โดยมี 191 จาก 1,199 รหัส ความมั่นคงในงานได้เพียง 11 สัญชาตญาณที่จะมองวงการนี้เป็นความตื่นตระหนกเรื่องแรงงานไม่ตรงกับสิ่งที่นักแต่งเพลงทั้ง 11 คนใช้เวลาสัมภาษณ์พูดถึงจริง ๆ: คุณภาพ การควบคุมเชิงสร้างสรรค์ และความเป็นเจ้าของ นั่นเปลี่ยนกรอบโจทย์การออกแบบเครื่องมือ และเชื่อมโยงกับประเด็นทางกฎหมายที่ติดตามในสถิติข้อเรียกร้องลิขสิทธิ์ดนตรีที่สร้างโดย AIของเรา
ตัวเลขเหล่านี้เป็นจำนวนรหัสจากการวิเคราะห์เชิงธีมแบบสะท้อนคิดโดยนักวิจัยคนเดียว จึงวัดว่าหัวข้อนั้นถูกพูดถึงมากเพียงใด ไม่ใช่มีกี่คนที่ถือมุมมองนั้น ควรมองเป็นแผนที่ของบทสนทนา ไม่ใช่โพลสำรวจความคิดเห็น
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| กลุ่มตัวอย่างการศึกษา นักแต่งเพลงเกมมืออาชีพที่มีเกมที่เผยแพร่อย่างน้อยหนึ่งเกม | 11 คน, สัมภาษณ์ราว 13 ชั่วโมง, 1,199 รหัส | Worrall และ Collins, IEEE Transactions on Games 2023 |
| สัดส่วนรหัสที่เกี่ยวกับความกังวลต่อเทคโนโลยีดนตรี AI | 38.87% | Worrall และ Collins, IEEE Transactions on Games 2023 |
| สัดส่วนรหัสเรื่องการปะทะกันระหว่างอัตตาเชิงสร้างสรรค์กับ AI เทียบกับสัดส่วนเรื่องประโยชน์ของ AI | 29.36% เทียบกับ 13.09% | Worrall และ Collins, IEEE Transactions on Games 2023 |
| รหัสเรื่อง ‘AI ดนตรีปะทะกับอัตตาเชิงสร้างสรรค์’ เทียบกับ ‘AI ช่วยเพิ่มประโยชน์ให้ขั้นตอนการทำงานได้’ | 133 เทียบกับ 70 | Worrall และ Collins, IEEE Transactions on Games 2023 |
| รหัสเรื่องความกังวลด้านความมั่นคงในงานเทียบกับความกังวลด้านการเป็นตัวแทนทางดนตรีและความเป็นเจ้าของ | 11 เทียบกับ 83 | Worrall และ Collins, IEEE Transactions on Games 2023 |
6. บริบทของวงการ: ระบบที่ถูกศึกษามีน้อย ผู้เล่น Steam ระแวดระวัง
การสำรวจเชิงวิชาการที่ครบถ้วนที่สุดเท่าที่เราอ่านได้ จากปี 2022 ครอบคลุมระบบดนตรีเชิงกำเนิดจากเกมเพียง 34 ระบบ โดย 19 ระบบมาจากทศวรรษก่อนหน้า ภาพรวมที่ใหม่กว่าโดย Luo และ Reiss (AES 2025) ระบุว่าต้นแบบทางวิชาการกับการใช้งานเชิงพาณิชย์ยังคงแยกทางกัน เพราะสองฝ่ายให้ความสำคัญกับความใหม่ ความน่าเชื่อถือ และทรัพยากรต่างกัน เราไม่พบชุดข้อมูลสาธารณะที่นับเกมที่วางจำหน่ายและใช้ดนตรีเชิงกระบวนการ ดังนั้นตัวเลขทำนองนั้นทางออนไลน์จึงควรสงสัยไว้ก่อน
ตัวแทนที่ใกล้เคียงที่สุดของความรู้สึกผู้เล่นมาจาก Steam และครอบคลุมเกมทั้งเกม ไม่ใช่ดนตรีประกอบ พรีปรินต์ปี 2026 ฉบับนี้ใช้การสร้างเนื้อหาเชิงกระบวนการเป็นเกณฑ์เปรียบเทียบสำหรับเกมที่เปิดเผยว่าใช้ AI เชิงกำเนิด ผู้รีวิวมักมองว่า AI เชิงกำเนิดเป็นสัญญาณว่านักพัฒนาลงทุนน้อย ซึ่งเป็นคำเตือนสำหรับเครื่องมือดนตรีใดก็ตามที่ทำการตลาดภายใต้ป้ายนั้น
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ระบบดนตรีเชิงกำเนิดจากเกมในการสำรวจเชิงวิชาการหนึ่งชิ้น | 34 ระบบ, 19 ระบบมาจาก 10 ปีก่อนการสำรวจ | Plut, วิทยานิพนธ์ปริญญาเอก Simon Fraser University 2022 |
| สัดส่วนเกมที่วางจำหน่ายบน Steam ซึ่งเปิดเผยว่าใช้ AI เชิงกำเนิด | 5.6% ในปี 2024, 10.3% ในปี 2025 | Bazzaz และ Cooper, พรีปรินต์ arXiv 2026 |
| อัตราการแนะนำ เกมที่มีเนื้อหาเชิงกระบวนการเทียบกับเกม AI เชิงกำเนิด | 86.3% เทียบกับ 68.4% (5,186 เทียบกับ 5,970 เกม, รีวิวภาษาอังกฤษ 508,192 รายการ) | Bazzaz และ Cooper, พรีปรินต์ arXiv 2026 |
| ผลการถดถอยโลจิสติกสำหรับเกม AI เชิงกำเนิดเทียบกับเกมที่มีเนื้อหาเชิงกระบวนการ | อัตราส่วนออดส์ 0.63 (ช่วงความเชื่อมั่น 95% [0.62, 0.64], p < .001) | Bazzaz และ Cooper, พรีปรินต์ arXiv 2026 |
| อัตราการแนะนำในเกมเล่นฟรีเทียบกับเกมเสียเงิน เชิงกระบวนการเทียบกับ AI เชิงกำเนิด | เกมเล่นฟรี 83.1% เทียบกับ 50.1%; เกมเสียเงิน 86.9% เทียบกับ 78.9% | Bazzaz และ Cooper, พรีปรินต์ arXiv 2026 |
| อัตราการแนะนำในรีวิวที่แสดงความตระหนักถึง AI เชิงกำเนิด | 49.5% (ความรู้สึกเชิงลบ 63.7%, n = 7,834) | Bazzaz และ Cooper, พรีปรินต์ arXiv 2026 |
สรุป: ระบบดนตรีเกมเชิงกระบวนการและเชิงกำเนิดในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผู้ฟัง Bardo Composer ตอบถูกทั้งความพึงใจทางอารมณ์และระดับการตื่นตัว | 34% เทียบกับ 25% ตามโอกาสสุ่ม (ผู้เข้าร่วม 116 คน) | Ferreira, Lelis และ Whitehead, AIIDE 2020 |
| คุณภาพโดยรวม มนุษย์เทียบกับตัวสร้างที่ดีที่สุด มาตรวัด 1 ถึง 5 | 4.11 เทียบกับ 3.94 (คำตอบที่ใช้ได้ 199 รายการ) | Ferreira และคณะ, AIIDE 2022 |
| ความดื่มด่ำ ระบบปรับตามเกมเทียบกับดนตรีต้นฉบับของ StarCraft II | p = 0.053 (ผู้เล่น 34 คน) | Hutchings และ McCormack, IEEE Transactions on Games 2019 |
| การยิงธนูแบบ VR ดนตรีคงที่เทียบกับดนตรีเชิงกำเนิดแบบปรับตามเกม | ผู้เข้าร่วม 22 คน ความรู้สึกเสมือนอยู่ในเหตุการณ์และผลกระทบทางอารมณ์เพิ่มขึ้น | Wen และคณะ, IEEE Transactions on Visualization and Computer Graphics 2026 |
| ดนตรีประกอบเชิงกำเนิดเทียบกับเชิงเส้นในเกมแนว Tetris | นักศึกษาปริญญาตรี 39 คน สมมติฐานไม่ได้รับการสนับสนุน | Sites และ Potter, Game Studies 2018 |
| การเรียบเรียงที่ไม่ซ้ำกันจากดนตรีเชิงกำเนิดแบบปรับตามเกมหนึ่งชุด | เกือบ 14 ล้านล้าน เฉพาะแบบออฟไลน์ | Plut, วิทยานิพนธ์ปริญญาเอก Simon Fraser University 2022 |
| เวลาสร้างคลิป MusicGen ยาว 8 วินาที | น้อยกว่า 4 วินาที | Marrinan และคณะ, พรีปรินต์ arXiv 2024 |
| ความคล้ายของ MusicGen-large หลังเปลี่ยนความเข้มในพรอมต์ | ความคล้ายโคไซน์ CLAP 0.8202 | Wu และ Si, IVA 2026 |
| อัตราชนะของเอเจนต์ที่ใช้เสียงอย่างเดียว ดนตรีต้นฉบับเทียบกับดนตรีแบบปรับตามเกม | 0.52 เทียบกับ 0.94 | Khan และคณะ, IEEE CoG 2023 |
| ระยะห่างเสียงแบบเฟรเชต์ ตัวสร้างที่ดีที่สุดเทียบกับดนตรีประกอบของมนุษย์ | 3.00 เทียบกับ 9.66 | Marra และ Ferreira, เวิร์กชอป LAMIR (arXiv 2024) |
| NES Music Database | 5,278 เพลง, 397 เกม, 46.1 ชั่วโมง | Donahue และคณะ, ISMIR 2018 |
| NES Video-Music Database | 98,940 คลิป, 389 เกม | Cardoso และคณะ, FDG 2024 |
| YM2413-MDB | 669 ไฟล์, 15.4 ชั่วโมง | Choi และคณะ, ISMIR 2022 |
| รหัสของนักแต่งเพลงเรื่อง ‘ไม่ใช่ต้นฉบับคุณภาพระดับมนุษย์’ เทียบกับความมั่นคงในงาน | 191 เทียบกับ 11 จาก 1,199 รหัส | Worrall และ Collins, IEEE Transactions on Games 2023 |
| อัตราการแนะนำบน Steam เกมเชิงกระบวนการเทียบกับเกม AI เชิงกำเนิด | 86.3% เทียบกับ 68.4% | Bazzaz และ Cooper, พรีปรินต์ arXiv 2026 |
ระเบียบวิธีและแหล่งที่มา
เราอ่านแต่ละการศึกษาหรือหน้าคลังเก็บของมัน และรายงานกลุ่มตัวอย่างตามที่พิมพ์ไว้ ไม่มีตัวเลขใดมาจากบล็อก SEO หรือบทความแบบรายการ
- Wen และคณะ, Tuning Immersion and Performance with Adaptive Generative Music in VR, IEEE TVCG 2026
- Hutchings และ 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 และ Whitehead, Computer-Generated Music for Tabletop Role-Playing Games, AIIDE 2020
- Ferreira และคณะ, Controlling Perceived Emotion in Symbolic Music Generation with Monte Carlo Tree Search, AIIDE 2022
- Ferreira และ Whitehead, Learning to Generate Music With Sentiment, ISMIR 2019
- Worrall และ Collins, Considerations and Concerns of Professional Game Composers Regarding Artificially Intelligent Music Technology, IEEE Transactions on Games 2023
- Donahue และคณะ, The NES Music Database, ISMIR 2018
- Cardoso และคณะ, The NES Video-Music Database, FDG 2024
- Choi และคณะ, YM2413-MDB, ISMIR 2022
- Khan และคณะ, Fighting Game Adaptive Background Music for Improved Gameplay, ปรับปรุงจาก IEEE CoG 2023
- Wu และ Si, Evaluating Prompt Robustness in Text-to-Audio Systems, IVA 2026
- Marrinan และคณะ, AI audio for user-generated game content, พรีปรินต์ arXiv 2024
- Marra และ Ferreira, Long-Form Text-to-Music Generation with Adaptive Prompts, เวิร์กชอป LAMIR
- Bazzaz และ Cooper, Player Perceptions of Generative AI in Games, พรีปรินต์ arXiv 2026
- Luo และ Reiss, Procedural Music Generation Systems in Games, AES 2025 และ Supervised Learning for Game Music Segmentation, พรีปรินต์ arXiv 2026
- Sites และ Potter, Everything Merges with the Game, Game Studies 2018 โดยนำกลุ่มตัวอย่างมาจากบทสรุปของ Playlab มหาวิทยาลัย Tampere
- Adam, Procedural Music Generation and Adaptation Based on Game State, วิทยานิพนธ์ปริญญาโท Cal Poly 2014 และ Yan, Generating Rhythm Game Music with Jukebox, พรีปรินต์ arXiv 2023
- ข้อสังเกตเกี่ยวกับข้อมูล: กลุ่มตัวอย่างส่วนใหญ่ที่นี่มีขนาดเล็ก ผลที่ไม่มีนัยสำคัญจึงไม่ใช่หลักฐานว่าไม่มีผลกระทบ Worrall และ Collins ระบุประเด็นย่อย 29 ประเด็นในที่หนึ่งและ 30 ประเด็นในอีกที่หนึ่ง (ตารางของพวกเขาแสดง 29) และจำนวนนักแต่งเพลงระดับ AAA ของพวกเขาก็ไม่ตรงกัน เราจึงไม่อ้างอิงทั้งสองตัวเลข บท PreGLAM ของ Plut ระบุผู้เข้าร่วม 50 คนในบทนำและ 48 คนในวิธีวิจัย เราใช้ 48 ใน Wu และ Si ตารางฉบับเต็มที่เราอ่านแสดงความคล้ายของ Stable Audio ภายใต้การเรียบเรียงถ้อยคำใหม่ต่ำกว่าที่การจัดอันดับในบทคัดย่อบ่งชี้ เราจึงอ้างอิงเฉพาะตัวเลขของ MusicGen-large ซึ่งสอดคล้องกับบทคัดย่อ Khan และคณะไม่ได้ใช้ผู้เล่นที่เป็นมนุษย์และไม่ได้รายงานการทดสอบนัยสำคัญ พรีปรินต์เรื่อง Steam ครอบคลุมเกมทั้งเกมและไม่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิ และเวลาเล่นมัธยฐานของมันต่างกันระหว่างตารางกับเนื้อความ เราจึงตัดตัวเลขนั้นออก การสัมภาษณ์นักแต่งเพลงเป็นข้อมูลปี 2023 และการสำรวจระบบเป็นข้อมูลปี 2022 ทั้งสองจึงถึงเวลาที่ควรมีงานรุ่นถัดไป การสำรวจดนตรีแบบปรับตามเกมที่ผู้ให้บริการทำเองซึ่งเผยแพร่ทางออนไลน์ไม่สามารถสืบย้อนไปถึงเอกสารต้นทางได้และถูกตัดออก ตัวเลขการนำไปใช้เชิงพาณิชย์ไม่มีอยู่ในรูปแบบที่เราตรวจสอบได้
อัปเดตล่าสุด: 31 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อมีการเผยแพร่รายงานการประชุม AIIDE 2026 และ ISMIR 2026