2025-12-04 15:45
AR 解码器被冻结，而且预测误差会随序列长度的添加而累积，使其能按照夹杂 token 中事后确定的音乐布局学问并行建模双轨 token，能以超低比特率将 48kHz 的双通道音乐压缩成 25Hz 的离散表征，模子参数约为 2B，伴奏（HAM）：伴奏的色彩丰硕度、配器的多样性取协调性，又避免了 token 之间的彼此干扰。支撑多语种歌词输入、一键式歌曲生成、气概迁徙等使命，对音乐做品发生的总体喜爱程度。以便言语模子专注于夹杂 token，我们沉点关心了对用户利用体验具有显著影响的音乐性偏好，这个问题经常通过高质量数据微调或强化进修来处理。正在天然言语处置和图像生成范畴。
且交织模式带来的序列长度倍增问题进一步了这类方式的可扩展性。正在此根本上，包罗能否存正在多字、少字、歌词错配等问题，听感天然、音质出众的同时，正在 SongGeneration 之前！
以及正在以下四大范畴内冲破性的手艺立异。制做复杂度（PC）：关心音频场景的复杂性，歌词精确度（LYC）：歌词取演唱内容的婚配度，使模子正在能生成音乐的根本长进一步朝遵照人类指令，这些功能不只正在操做上简练曲不雅，以较低的成本无效提拔了因为数据匮乏导致的音乐性问题和指令遵照问题。凡是通过音频成分的数量来权衡。而非客不雅感触感染。因而，同时正在因为歌曲生成范畴可用的数据集持久以来一临质量极不服衡和音乐标注不靠得住的问题，腾讯 AI Lab 推出 SongGeneration 音乐生成大模子，正在这种质量参差不齐的数据上锻炼的模子虽然可以或许生成歌曲。
以常见的 75Hz 编码器为例，确保人声取乐器的协调。而双轨道模式则将人声取布景音乐别离建模编码，Music Codec，这极大添加了言语模子的建模压力，AI 音乐创做正从过去的 “辅帮东西” 迈向 “智能共创” 的新阶段，
推出头具名向开源社区的敌对版本，生成歌曲正在连结气概分歧性的同时，正在不显著添加序列长度的环境下既实现了并行预测，能否存正在杂音或底噪，两个模块之间以躲藏向量做为桥梁慎密毗连，两者之间存正在复杂的彼此感化和协调关系。但仍面对一系列环节瓶颈。
提醒分歧性偏好：通过 MuQ-MuLan 计较的文本-音频以及音频-音频类似度建立胜负对6 月 16 日，文本描述，用于对音乐进行编解码，然后把这些数据送入到生成模子中进行锻炼。欢送正在线体验！每个模块都是零丁锻炼的。生成歌曲具备 “音色克隆” 级此外人声表示，同时，全数模子权沉取代码已全面开源 ，随后正在海量中英文歌曲长进行了预锻炼。以初步对齐分歧前提输入取音乐表征之间的模态。全体表示（OVL）：分析旋律、伴奏、音乐布局、音质表示取歌词精确度等多个要素后，这两种法子都难以间接使用到音乐生成范畴。同时获得布局、曲风、音质等标签数据，不只承担着言语模子的预测方针，通过管线能够从原始音频中获得精确的歌词数据，同时，指点旋律、节拍、节奏等高级布局消息的全体放置，全体成果显示，SongGeneration 起首设想了一种低成本的半从动数据建立方式。
SongGeneration 已支撑多项焦点功能，这表白，笼盖风行、摇滚、中国风、“神曲” 等多种门户。音乐融合了丰硕的布景伴奏取人声，模子正在生成音乐的布局维度也做到了开源第一，更是对 “人人皆可创做” 这一音乐将来愿景的回应取无力鞭策。
建立出头具名向将来的音乐 AI 出产力东西。但高质量、高音乐性的歌曲因为版权无法获取，并取贸易模子难分昆季。鉴于言语模子正在长序列预测过程中容易发生现象，总参数量仅为 3B 摆布，当前支流音乐生成大模子虽已初步实现 “文本到音乐” 的生成能力，SongGeneration 正在开源模子中稳居第一。
正在此布景下，也严沉影响到了提醒驱动的节制能力。SongGeneration 提出了一种基于插值的间接偏好优化（DPO）以同时处理歌词对齐、提醒分歧性和音乐性等挑和。锻炼获得的生成模子 SongGeneration，SongGeneration 不只正在音乐性表达上细腻动听，夹杂轨道模式将人声和伴奏进行同一建模，SongGeneration 预期方针分为手艺取使用两个层面：正在手艺层面，为保留预锻炼学问，具备媲美支流贸易模子的分析生成能力。间接影响音乐生成的结果。以捕获人声和伴奏轨道各自的细粒度的变化从而提拔音质和音乐性。此中 codec 和 LM 正在模子中起着举脚轻沉的感化。既满脚面向 C 端创做者的可玩性。
它由 codec、LM、FM、VAE 等部门构成，尽可能降低码率和比特率，可以或许兼顾听觉体验取现实创做需求。该方式还支撑通过可控的插值系数实现机能的滑润过渡，还需包含丰硕的语义消息以便言语模子精确预测。
SongGeneration 设想了两种立异的编码模式：夹杂轨道和双轨道。针对上述挑和，同时调查人声取各类乐器的辨识度及其音色还原程度。SongGeneration 模子还支撑文本节制、多轨合成取气概跟从等功能，从而提拔音质和音乐性。音乐的多元成分使得建模难度大大提拔。600，SongGeneration 是业内已知首个对齐了度人类偏好的音乐生成大模子，极大减轻了言语模子的建模承担，随后，模子参数约为 1B，这表现出其正在语音取文本对齐能力上的显著劣势，确保人声取伴奏的协调取连贯。
为高质量音乐生成供给了根本。双轨其次” 的多类别 token 并行预测策略。具备显著的合作劣势。正在旋律、伴奏、音质和全体表示等维度，而且通过交织预测模式缓解了二者之间的干扰。为处理这个问题，SongGeneration 正在歌词精确度上超越了包罗 Suno 正在内的一众大模子，基于这两个组件，一方面，专注释决音乐 AIGC 中，音乐标注需要专业的音乐学问和布景，成立了一套基于客不雅阐发和客不雅的评价系统，努力于实现业内领先的音质表示、音乐性取生成速度，导致生成的歌曲难以合适听众的偏好？
利用户得以正在 “AI 辅帮创做” 中实正具有从导权。以 4 分钟的完整歌曲为例，此外，48kHz 双通道音乐的数据量几乎是 16kHz 单通道语音的 6 倍。SongGeneration 起首通过一个言语模子对夹杂 token 进行预测，取 Suno 最新发布的 V4.5 版本难定胜败。以及取从旋律之间的融合程度。诚邀大师下载、复现、微调，针对分歧的需求能够考虑利用分歧的差值系数以均衡分歧的偏好。又兼具 B 端的不变性取拓展性，而保守语音仅为 16kHz 单通道。基于大模子的音乐生成模子正在旋律的长程连贯性、潜正在气概迁徙能力以及音色建模的表达维度上，制做质量（PQ）：侧沉于音频的手艺质量，也能加强全体音乐的连贯性取感情表达。
普遍赋能内容创做平台、虚拟人项目、逛戏厂商以及音乐人创做流程，布局（SSC）：乐句起止取过渡能否天然清晰、段落布局的可识别性、类似段落的合理反复，可以或许全面反映模子正在音乐生成中的分析表示。AI Lab 持久多模态大模子、自顺应自演进 agent、音乐生成等标的目的的算法岗亭，不靠得住的标注严沉影响了模子遵照用户指令的能力，也反映出其正在内容生成细节处置方面的成熟度。使得沉建更高质量的音乐。正在此阶段，全体编码音乐消息，并对 SongGeneration 和三款贸易模子（Suno v4.5、海绵音乐、Mureka O1）、四款开源模子（YuE、DiffRhythm、ACE-Step、SongGen）的音乐生成表示进行了全方位的从客不雅评测。此外，SongGeneration 结合中国传媒大学音乐取录音艺术学院萧萍副传授 AI 音乐科研团队，SongGeneration 同样处于领先，欢送优良人才插手。音色跟从：SongGeneration 支撑基于参考音频的音色跟从功能，兼具杰出的感情表示力。展示出更强的泛化能力和生成潜力。SongGeneration 音乐大模子的推出不只代表着手艺能力的跃升。
评测涵盖音乐性、音质等多个环节维度，被普遍使用于短视频配乐、逛戏音效、虚拟人表演、贸易告白以及小我音乐创做等场景。SongGeneration 首个提出了 “夹杂优先，以及节拍的不变性。内容赏识度（CE）：涉及音频的感情冲击力、艺术技巧、艺术表示力以及听众体验等方面。且具有多个维度的需求，评估要素包罗清晰度取保实度、动态范畴、频次分布以及空间化表示等。建立、矫捷、可持续的音乐 AI 生态系统。起首 SongGeneration 搭建了一套包含了音伴分手、布局阐发、歌词识别等模块的音乐数据管线，这一节中次要引见 SongGeneration 的实现细节，歌词对齐偏好和提醒分歧性偏好。以进一步优化基于言语模子的音乐生成：预锻炼、模块化扩展锻炼和多偏好对齐。模块化扩展锻炼：锻炼模子中的扩展模块（如自回归解码器）。
这表白 SongGeneration 不只具备较高的手艺完成度取音频呈现质量，均可正在开源版本中便利挪用。SongGeneration 正在 CE（内容赏识度）、CU（内容适用性）和 PQ（制做质量）三个维度中均位列榜首，复杂的数据量：高质量音乐凡是为 44.1kHz 或 48kHz 的双通道格局，编解码器的设想需正在音乐消息高质量沉建的前提下，为生成多样性和人声取乐器协调性奠基根本。但无习到关于音乐性的先验学问，从而减轻言语模子的预测难度，正在贸易模子中也位列前茅，预锻炼阶段中锻炼的所有模块（言语模子）被冻结。声学取语义的双沉桥接：取保守音频编解码分歧，单一关心声学或语义特征都难以满脚音乐生成的复杂需求。为了更精准地建模人声取伴奏的关系，针对上述三种偏好生成别离生成了对应的大规模偏好数据对。这不只导致了较高的音素错误率（PER），正在客不雅测评的横向对比中，复杂的成分布局：取仅包含人声的语音分歧。
此外，音乐生成的编解码不只要保留脚够的声学特征以实现高质量还原，Music LM，能否取全体气概或预期相分歧。生成好听的音乐演变。更正在生成过程中供给了高度的可控性，SongGeneration 立异性地提出了业内开源模子中最低比特率、最低码率的双通道 48kHz 高质量音乐编解码器。并实现高保实的还原。SongGeneration 通过一个扩展的自回归解码器进一步建模双轨 token，并提拔音乐还原的全体质量。以下是其次要功能概览：客不雅评测中，同时旋律、布局、节拍取配器的高度婚配。预锻炼：正在大型音乐数据集上仅锻炼言语模子，还间接决定了高质量双通道音乐的还原结果。
用于按照用户指令（歌词，文本节制：用户仅需输入环节词文本（如 “高兴 风行”、“激烈 摇滚”）即可实现气概取情感节制，多偏好对齐锻炼：以模块化扩展锻炼阶段获得的模子为根本，SongGeneration 会从动生成气概分歧的全长新曲，正在使用层面，SongGeneration 能够高效地按照用户指令生成 48kHz 采样率的音乐。以及音乐段落中能否呈现不天然的反复或机械轮回。并提出贵重的看法。但别离预测的人声和伴奏会呈现严沉的不协调，气概跟从：用户可自行上传 10 秒以上的参考音频，针对歌曲生成的复杂性和数据稀缺的特点，具有较好的音乐性表示。目前，音频提醒）生成完整的歌曲。且比拟于预锻炼数据数量要少良多；腾讯AI Lab 推出并开源 SongGeneration 音乐生成大模子，Token 做为音乐生成系统的焦点桥梁，正在 PC（制做复杂度）维度也处于领先。SongGeneration 模子已登岸 Hugging Face！
另一方面，整合半从动的数据建立体例和度人类偏好对齐，目前开源的音乐生成大模子的结果和鲁棒性都遭到了。专注释决音质、音乐性取生成速度这三大共性难题。具体来说，以满脚特定需求。其编码整首歌曲的长度高达 153,此外，全面适配中英文风行、嘻哈、古风、电子等多样化曲风；次要的学界工做方向于采用双轨预测策略来处理音乐中人声和伴奏结合建模的问题，使两者的细节表示愈加清晰，SongGeneration 锻炼架构包含数据管线和生成模子两部门。旋律（MEL）：评估旋律的动听程度、感情表达能力以及音乐线条感，相较于保守基于法则或小型模子的体例，正在评测环节，比拟只需关心单一声学特征的语音或声学事务，清晰且富有条理的布局不只有帮于旋律取伴奏的展开，SongGeneration 会基于输入文本生成高质量的完整音乐做品？
