AI音乐周刊 W.A 028

AI音乐周刊 W.A 028 AI音乐周刊 W.A 028 Modified May 18 Soundverse AI 正式登陆微软云市场：以合规企业级 API 重塑商业音频工作流 5 月 15 日，拥有超 300 万用户的生成式 AI 音乐平台 Soundverse AI 宣布正式上线微软云市场。其企业级 API 与协作式视听工作室现已基于 Microsoft Azure 全面运行。 核心功能与商业价值 • 破解企业音频痛点： 长期以来，企业在获取定制商业音频时，往往只能在陈旧的罐头音乐库（Stock libraries）中妥协，或耗费数年与高昂成本自建内部的机器学习模型。Soundverse 将复杂的 AI 音乐能力浓缩为一个强大的 API。 • 全能的专业级工具箱： 该 API 支持 AI 歌曲与人声生成、音轨分离（Stem splitting）、音乐延长、音素级时间戳及调性/速度（BPM）检测等进阶功能，并支持超 20 种语言的生成，承诺 99.9% 的企业级服务正常运行时间（SLA）。 • 主打版权绝对安全： 在当前 AI 音乐深陷侵权漩涡的背景下，Soundverse 明确声明其服务完全基于经过用户同意及合法授权的数据构建，并支持音轨级的归属溯源，为企业的商业化使用扫除了版权雷区。 微软 Azure 产品营销副总裁 Cyril Belikoff 对此评价称，此举将助力全球客户更轻松地无缝部署值得信赖的创新解决方案。Soundverse AI 此次入驻微软生态，标志着主打“版权合规”的 AI 音乐生成技术正加速嵌入全球主流企业的数字化商业生产链条中。 Khala 1.0：中央音乐学院开源的高保真 AI 音乐模型 Khala 1.0 是由中央音乐学院最新推出的一款完全开源的 AI 歌曲生成系统（相关论文、代码、模型权重及演示Demo已全部公开）。简单来说，你只需要输入一段文字要求和歌词，它就能直接为你创作出一首高音质的完整歌曲。 与目前市面上其他的 AI 音乐模型不同，Khala 没有采用复杂的拼接拼凑方式，而是使用了一种创新的“统一声学 Token”技术路线，让音乐的整体框架和声音细节在一个系统内一气呵成。 它的核心亮点包括： • 创作“完整”歌曲：它专为生成一首首完整的音乐而设计，而不是只能生成几秒钟的短片段或单一的循环伴奏。 • 精准的文字与歌词控制：你可以用大白话（自然语言）输入提示词，配合你写的歌词，精准控制歌曲的曲风、情绪、人声效果和演唱内容。 • 像“画画”一样的声学技术：它采用了 64 层 RVQ 技术，分两步来创作音乐。可以理解为先画出歌曲的“粗略草图”（生成基础框架），然后再由超分辨率模型为其“上色填充细节”（补充高清的声音细节），最后输出完美的高保真音频。 • 开箱即用的完整工具：Khala 不仅仅公开了底层代码，还直接提供了一整套系统，包括前端的操作界面、后台处理接口以及支持单显卡运行的工具。这意味着开发者拿来就能部署使用，非常省心。 Github：https://github.com/Khala Music AI/Khala 论文：https://arxiv.org/abs/2605.01790 演示：https://khala music ai.github.io/Khala demo/ Suno 本周更新：正式登陆车载系统，App 端创作与社交体验升级 在本周的最新动态中，AI 音乐平台 Suno 连续两天推出重磅功能更新，不仅全面打通了车载收听场景，更对移动端 App 进行了从创作工具到 UI 界面的深度焕新，进一步完善了其音乐人社区生态。 核心更新亮点 • 无缝接入车载系统（5 月 13 日）： Suno 现已正式支持 Apple CarPlay 和 Android Auto。创作者们如今可以在早间通勤或自驾旅途中，直接通过车载屏幕无缝串流并收听自己生成的专属音乐。 • 更精细的创作控制（5 月 14 日）： App 端在创作流程上进行了大幅优化。新增了备受期待的人声性别选择（Select vocal gender）与歌词模型选择器；同时，系统现在能自动记忆上一次使用的提示词（Prompt），极大提升了用户迭代和打磨灵感的效率。 • 个人主页与 UI 视觉焕新（5 月 14 日）： 平台进一步强化了音乐人的社交属性。个人主页现支持上传封面背景、编辑简介并添加外部社交链接；用户还可以置顶最多 5 首带有配文的得意之作，自定义歌单也会直接在主页展示。此外，应用的首页和发现页采用了更加现代化的 UI 设计，音乐与歌单的导航也变得更加直观精简。 论文 🌈 以下是 5.12—5.18 期间发布的相关论文，已整理翻译 通过神经音频编解码器从富有表现力的鼓网格中合成鼓声 概述：将符号表示直接生成逼真的鼓声音频是音乐感知与机器学习交叉领域中一项具有挑战性的任务。我们提出了一个系统，该系统通过预测神经音频编解码器的离散代码，将富有表现力的鼓网格（一种带有微时间细节与力度信息的时间对齐 MIDI 表示）转换为鼓声音频。我们的方法使用基于 Transformer 的模型将鼓网格输入映射为一系列编解码器标记（tokens），然后通过预训练的解码器将其转换为波形音频。我们使用了多种最先进的神经编解码器（即 EnCodec、DAC 和 X Codec）进行实验，以评估音频表示的选择如何影响生成鼓声的质量。该系统在 Expanded Groove MIDI Dataset (E GMD) 上进行训练和评估，这是一个包含配对 MIDI 和音频的大型人类鼓演奏集合。我们使用客观指标评估生成音频的保真度和音乐对齐度。总体而言，我们的结果确立了编解码器标记预测作为“鼓网格到音频”生成的有效途径，并为选择用于打击乐合成的音频分词器（tokenizers）提供了实用见解。 论文：https://arxiv.org/abs/2605.10281 STRUM：一种用于端到端生成可玩节奏游戏谱面的频谱转录与节奏理解模型 概述：我们提出了 STRUM（频谱转录与节奏理解模型），这是一个“音频到谱面”的流水线，可以在没有任何元数据的情况下，将原始录音转换为适用于鼓、吉他、贝斯、人声和键盘的 Clone Hero / YARG 可玩谱面。STRUM 是一个多阶段的混合模型：用于鼓的两阶段 CRNN 起音（onset）检测器和一个六模型集成连带分类器；用于吉他和贝斯的带有单音高跟踪的神经起音检测器；用于人声的词对齐 ASR（自动语音识别）；以及用于键盘的频谱键盘检测。我们在一个包含 30 首歌曲的基准测试上进行了评估，该基准测试通过单一音频质量标准（即进行 htdemucs 6s 音源分离后，1 秒鼓音轨的 RMS 中位数）筛选候选歌曲构建而成。在这个基准上，STRUM 在 +/ 100 毫秒的容差和每首歌全局偏移搜索下，实现了鼓起音 F1 = 0.838，贝斯 F1 = 0.694，吉他 F1 = 0.651，人声 F1 = 0.539。我们报告了七个鼓流水线组件的完整消融实验，分析了社区谱面中真实时间与音频的分布，并提供了鼓分类器的混淆矩阵。代码、模型权重和完整的基准测试清单均已发布。 论文：https://arxiv.org/abs/2605.12135 Poly SVC：具有和声建模的多音感知歌声转换 概述：歌声转换（SVC）旨在将源歌声转换为目标歌手的声音，同时保留歌词和旋律。现有的大多数 SVC 方法都依赖于 F0 提取器来从纯净人声中捕捉主旋律。然而，目前没有任何方法可以从带有伴奏的录音中可靠地提取纯净人声而不留下残留的和声。在本文中，我们创新性地提出了 Poly SVC，这是一个零样本（zero shot）、跨语言的歌声转换系统，专为处理残留和声而设计。Poly SVC 由三个关键组件组成：一个基于恒定 Q 变换（CQT）的音高提取器，用于同时保留主旋律和残留和声；一个随机采样器，用于减少来自 CQT 的干扰信息；以及一个基于条件流匹配（CFM）的扩散解码器，它将音高、内容和音色特征融合到听起来自然的多音输出中。实验表明，无论是在和声丰富的录音还是单旋律录音中，Poly SVC 在自然度、音色相似度和和声重建方面都超越了基线模型。 论文：https://arxiv.org/abs/2605.12310 用于符号到音频鼓声渲染的秒级对齐 PCA DAC 潜在扩散 概述：符号控制的鼓声生成需要在合成声学上合理的波形时，保留明确的事件时间和动态变化。我们提出了 Sec2Drum DAC，这是一个用于符号到音频鼓声渲染的条件潜在扩散模型。该模型以物理时间中编解码器帧位置采样的事件特征为条件，预测冻结的 DAC 求和码本嵌入的标准化主成分坐标，而不是波形样本。在所评估的 DAC 配置中，72 个主成分捕获了在规定 SVD 阈值下观察到的训练帧潜在子空间，从而产生了一个紧凑的连续去噪目标，该目标在进行波形解码之前，具有一条通往 1024 维 DAC 潜在空间的确定性重建路径。在 1,733 个保留的四拍窗口中，与确定性 PCA 回归和符号渲染基线相比，PCA 扩散改进了配对的频谱和瞬态指标，而直接回归在对相位敏感的波形 L1 损失上仍然更强。辅助的 RVQ 交叉熵改善了短步数扩散在梅尔误差、起音通量余弦和波形 L1 上的表现，在 6 25 个去噪步骤时实现了最有利的权衡。 论文：https://arxiv.org/abs/2605.13404 Text2Score：从文本提示生成乐谱 概述：由于对齐的文本 音乐数据集的稀缺以及自动生成描述管线的不可靠性，开发文本驱动的符号音乐生成模型仍然具有挑战性。虽然大多数研究都集中在 MIDI 上，但乐谱表示在很大程度上未被充分探索。我们提出了 Text2Score，这是一个两阶段框架（包含规划阶段和执行阶段），用于从自然语言提示生成乐谱。通过直接从符号 XML 数据中获取监督信号，我们提出了一种替代的训练范式，绕过了嘈杂或稀缺的文本 音乐对。在规划阶段，一个 LLM 协调器将自然语言提示转换为结构化的小节计划，定义乐器、调性、拍号、和声等音乐属性。然后，生成模型在执行阶段使用该计划，生成受其约束的交错 ABC 记谱法。为了评估输出质量，我们引入了一个由专业音乐家验证的评估框架，涵盖可演奏性、可读性、乐器利用率、结构复杂性和提示遵循度。Text2Score 在客观和主观维度上均优于纯基于 LLM 的代理框架和三个端到端基线模型。我们已开源相关数据集、代码和评估集。 论文：https://arxiv.org/abs/2605.13431 打破节拍！可控的 MIDI 到鼓声音频合成 概述：在数字音乐制作中，现有创建鼓循环音频的方法通常需要创作者付出繁琐的努力。虽然最近的生成模型实现了高保真度并能遵循文本指令，但它们缺乏此类任务所需的特定控制能力。现有的“符号到音频”研究通常侧重于单一的音调乐器，而未解决复音、打击乐合成的挑战。我们通过引入“Break the Beat!”来填补这一空白，这是一个能够使用参考音频的音色来渲染鼓 MIDI 的模型。它是通过我们提出的内容编码器和高效的混合条件机制，对预训练的“文本到音频”模型进行微调而构建的。为此，我们构建了一个配对的目标 参考鼓声音频新数据集。实验表明，该模型生成了遵循高分辨率 MIDI 的高质量鼓声音频，在音频质量、节奏对齐和节拍连续性指标上表现出色。这为音乐制作人提供了一个可控的创意制作新工具。 论文：https://arxiv.org/abs/2605.14555 Persian MusicGen：针对波斯音乐的大规模数据集和文化感知生成模型 概述：波斯音乐具有独特的音调、调式系统 (Dastgah) 和节奏结构，这给主要基于西方音乐训练的音乐生成模型带来了重大挑战。我们通过整理第一个大规模波斯歌曲数据集弥补了这一空白，该数据集包含超过 900 小时的高质量音频样本，涵盖流行、传统和现代风格等不同子流派。该数据集捕捉了波斯音乐丰富的旋律和文化多样性，并作为微调顶尖生成音乐模型 MusicGen 的基础。我们将 MusicGen 调整到该领域，并使用主观和客观指标评估其性能。为了评估生成的音乐与预期风格标签之间的语义对齐情况，我们报告了生成输出中准确反映相关标签的比例。结果表明，微调后的模型产生的作品更符合波斯风格惯例。这项工作为生成式音乐研究引入了新资源，并展示了音乐生成模型对代表性不足的文化和语言背景的适应能力。 论文：https://arxiv.org/abs/2605.14765 ARIA：音乐训练数据归因的诊断框架 概述：音乐生成的训练数据归因（TDA）必须回答版权分析所需的两个问题：哪些训练歌曲影响了生成的输出，以及这种影响作用于哪些音乐层面。现有方法将影响简化为单一标量，而没有揭示哪些音乐层面占主导地位。我们提出了 ARIA，这是一个沿音乐层面（符号音乐五个层面，音频三个层面）分解归因的框架，并将这种分解与从段落级得分矩阵计算出的可靠性诊断相结合。它通过与随机参考组比较来测量归因最高的前 K 个音轨之间的组内相似性，并通过奇异值分解和列统计量诊断得分矩阵。在一个可获得归因真实值的符号音乐模型上，该诊断对四种归因方法的排序与真实值完全一致。在一个音频音乐生成模型上，ARIA 揭示了不同 TDA 方法中存在显著差异的归因行为，并表征了各个层面的嵌入相似性检索基线。总之，ARIA 产生了每个层面的归因证据，这些证据与版权分析中“思想与表达二分法”下考量的音乐层面相一致。 论文：https://arxiv.org/abs/2605.16181 参考资料 https://www.chartlex.com/blog/business/ai vs human listening time 2026 data report https://x.com/ACEStudio jp/status/2054864303165956220?s=20 https://youtu.be/aqyT05sQ1ZE?si=fcBk0rDDT5p271 G https://www.digitalmusicnews.com/2026/05/14/distrokid ai credit disclosure what it looks like/ https://www.linkedin.com/posts/naveen rana 8b696823 azuremarketplace aiaudio generativeai share 7460768404703158272 pAUJ/?utm source=share&utm medium=member desktop&rcm=ACoAAEf4sYcB 7kwpHm7WTW6ML5ECD H8EXZk8c https://x.com/junmingong/status/2055452194632302640?s=20 https://x.com/aisearchio/status/2055478735906988057?s=20 https://x.com/suno/status/2054948668625559902?s=20 https://x.com/suno/status/2054574166104297905?s=20 Soundverse AI 正式登陆微软云市场：以合规企业级 API 重塑商业音频工作流 5 月 15 日，拥有超 300 万用户的生成式 AI 音乐平台 Soundverse AI 宣布正式上线微软云市场。其企业级 API 与协作式视听工作室现已基于 Microsoft Azure 全面运行。 核心功能与商业价值 • 破解企业音频痛点： 长期以来，企业在获取定制商业音频时，往往只能在陈旧的罐头音乐库（Stock libraries）中妥协，或耗费数年与高昂成本自建内部的机器学习模型。Soundverse 将复杂的 AI 音乐能力浓缩为一个强大的 API。 • 全能的专业级工具箱： 该 API 支持 AI 歌曲与人声生成、音轨分离（Stem splitting）、音乐延长、音素级时间戳及调性/速度（BPM）检测等进阶功能，并支持超 20 种语言的生成，承诺 99.9% 的企业级服务正常运行时间（SLA）。 • 主打版权绝对安全： 在当前 AI 音乐深陷侵权漩涡的背景下，Soundverse 明确声明其服务完全基于经过用户同意及合法授权的数据构建，并支持音轨级的归属溯源，为企业的商业化使用扫除了版权雷区。 微软 Azure 产品营销副总裁 Cyril Belikoff 对此评价称，此举将助力全球客户更轻松地无缝部署值得信赖的创新解决方案。Soundverse AI 此次入驻微软生态，标志着主打“版权合规”的 AI 音乐生成技术正加速嵌入全球主流企业的数字化商业生产链条中。 Khala 1.0：中央音乐学院开源的高保真 AI 音乐模型 Khala 1.0 是由中央音乐学院最新推出的一款完全开源的 AI 歌曲生成系统（相关论文、代码、模型权重及演示Demo已全部公开）。简单来说，你只需要输入一段文字要求和歌词，它就能直接为你创作出一首高音质的完整歌曲。 与目前市面上其他的 AI 音乐模型不同，Khala 没有采用复杂的拼接拼凑方式，而是使用了一种创新的“统一声学 Token”技术路线，让音乐的整体框架和声音细节在一个系统内一气呵成。 它的核心亮点包括： • 创作“完整”歌曲：它专为生成一首首完整的音乐而设计，而不是只能生成几秒钟的短片段或单一的循环伴奏。 • 精准的文字与歌词控制：你可以用大白话（自然语言）输入提示词，配合你写的歌词，精准控制歌曲的曲风、情绪、人声效果和演唱内容。 • 像“画画”一样的声学技术：它采用了 64 层 RVQ 技术，分两步来创作音乐。可以理解为先画出歌曲的“粗略草图”（生成基础框架），然后再由超分辨率模型为其“上色填充细节”（补充高清的声音细节），最后输出完美的高保真音频。 • 开箱即用的完整工具：Khala 不仅仅公开了底层代码，还直接提供了一整套系统，包括前端的操作界面、后台处理接口以及支持单显卡运行的工具。这意味着开发者拿来就能部署使用，非常省心。 Github：https://github.com/Khala Music AI/Khala 论文：https://arxiv.org/abs/2605.01790 演示：https://khala music ai.github.io/Khala demo/ Suno 本周更新：正式登陆车载系统，App 端创作与社交体验升级 在本周的最新动态中，AI 音乐平台 Suno 连续两天推出重磅功能更新，不仅全面打通了车载收听场景，更对移动端 App 进行了从创作工具到 UI 界面的深度焕新，进一步完善了其音乐人社区生态。 核心更新亮点 • 无缝接入车载系统（5 月 13 日）： Suno 现已正式支持 Apple CarPlay 和 Android Auto。创作者们如今可以在早间通勤或自驾旅途中，直接通过车载屏幕无缝串流并收听自己生成的专属音乐。 • 更精细的创作控制（5 月 14 日）： App 端在创作流程上进行了大幅优化。新增了备受期待的人声性别选择（Select vocal gender）与歌词模型选择器；同时，系统现在能自动记忆上一次使用的提示词（Prompt），极大提升了用户迭代和打磨灵感的效率。 • 个人主页与 UI 视觉焕新（5 月 14 日）： 平台进一步强化了音乐人的社交属性。个人主页现支持上传封面背景、编辑简介并添加外部社交链接；用户还可以置顶最多 5 首带有配文的得意之作，自定义歌单也会直接在主页展示。此外，应用的首页和发现页采用了更加现代化的 UI 设计，音乐与歌单的导航也变得更加直观精简。 论文 🌈 以下是 5.12—5.18 期间发布的相关论文，已整理翻译 以下是 5.12—5.18 期间发布的相关论文，已整理翻译 通过神经音频编解码器从富有表现力的鼓网格中合成鼓声 概述：将符号表示直接生成逼真的鼓声音频是音乐感知与机器学习交叉领域中一项具有挑战性的任务。我们提出了一个系统，该系统通过预测神经音频编解码器的离散代码，将富有表现力的鼓网格（一种带有微时间细节与力度信息的时间对齐 MIDI 表示）转换为鼓声音频。我们的方法使用基于 Transformer 的模型将鼓网格输入映射为一系列编解码器标记（tokens），然后通过预训练的解码器将其转换为波形音频。我们使用了多种最先进的神经编解码器（即 EnCodec、DAC 和 X Codec）进行实验，以评估音频表示的选择如何影响生成鼓声的质量。该系统在 Expanded Groove MIDI Dataset (E GMD) 上进行训练和评估，这是一个包含配对 MIDI 和音频的大型人类鼓演奏集合。我们使用客观指标评估生成音频的保真度和音乐对齐度。总体而言，我们的结果确立了编解码器标记预测作为“鼓网格到音频”生成的有效途径，并为选择用于打击乐合成的音频分词器（tokenizers）提供了实用见解。 论文：https://arxiv.org/abs/2605.10281 STRUM：一种用于端到端生成可玩节奏游戏谱面的频谱转录与节奏理解模型 概述：我们提出了 STRUM（频谱转录与节奏理解模型），这是一个“音频到谱面”的流水线，可以在没有任何元数据的情况下，将原始录音转换为适用于鼓、吉他、贝斯、人声和键盘的 Clone Hero / YARG 可玩谱面。STRUM 是一个多阶段的混合模型：用于鼓的两阶段 CRNN 起音（onset）检测器和一个六模型集成连带分类器；用于吉他和贝斯的带有单音高跟踪的神经起音检测器；用于人声的词对齐 ASR（自动语音识别）；以及用于键盘的频谱键盘检测。我们在一个包含 30 首歌曲的基准测试上进行了评估，该基准测试通过单一音频质量标准（即进行 htdemucs 6s 音源分离后，1 秒鼓音轨的 RMS 中位数）筛选候选歌曲构建而成。在这个基准上，STRUM 在 +/ 100 毫秒的容差和每首歌全局偏移搜索下，实现了鼓起音 F1 = 0.838，贝斯 F1 = 0.694，吉他 F1 = 0.651，人声 F1 = 0.539。我们报告了七个鼓流水线组件的完整消融实验，分析了社区谱面中真实时间与音频的分布，并提供了鼓分类器的混淆矩阵。代码、模型权重和完整的基准测试清单均已发布。 论文：https://arxiv.org/abs/2605.12135 Poly SVC：具有和声建模的多音感知歌声转换 概述：歌声转换（SVC）旨在将源歌声转换为目标歌手的声音，同时保留歌词和旋律。现有的大多数 SVC 方法都依赖于 F0 提取器来从纯净人声中捕捉主旋律。然而，目前没有任何方法可以从带有伴奏的录音中可靠地提取纯净人声而不留下残留的和声。在本文中，我们创新性地提出了 Poly SVC，这是一个零样本（zero shot）、跨语言的歌声转换系统，专为处理残留和声而设计。Poly SVC 由三个关键组件组成：一个基于恒定 Q 变换（CQT）的音高提取器，用于同时保留主旋律和残留和声；一个随机采样器，用于减少来自 CQT 的干扰信息；以及一个基于条件流匹配（CFM）的扩散解码器，它将音高、内容和音色特征融合到听起来自然的多音输出中。实验表明，无论是在和声丰富的录音还是单旋律录音中，Poly SVC 在自然度、音色相似度和和声重建方面都超越了基线模型。 论文：https://arxiv.org/abs/2605.12310 用于符号到音频鼓声渲染的秒级对齐 PCA DAC 潜在扩散 概述：符号控制的鼓声生成需要在合成声学上合理的波形时，保留明确的事件时间和动态变化。我们提出了 Sec2Drum DAC，这是一个用于符号到音频鼓声渲染的条件潜在扩散模型。该模型以物理时间中编解码器帧位置采样的事件特征为条件，预测冻结的 DAC 求和码本嵌入的标准化主成分坐标，而不是波形样本。在所评估的 DAC 配置中，72 个主成分捕获了在规定 SVD 阈值下观察到的训练帧潜在子空间，从而产生了一个紧凑的连续去噪目标，该目标在进行波形解码之前，具有一条通往 1024 维 DAC 潜在空间的确定性重建路径。在 1,733 个保留的四拍窗口中，与确定性 PCA 回归和符号渲染基线相比，PCA 扩散改进了配对的频谱和瞬态指标，而直接回归在对相位敏感的波形 L1 损失上仍然更强。辅助的 RVQ 交叉熵改善了短步数扩散在梅尔误差、起音通量余弦和波形 L1 上的表现，在 6 25 个去噪步骤时实现了最有利的权衡。 论文：https://arxiv.org/abs/2605.13404 Text2Score：从文本提示生成乐谱 概述：由于对齐的文本 音乐数据集的稀缺以及自动生成描述管线的不可靠性，开发文本驱动的符号音乐生成模型仍然具有挑战性。虽然大多数研究都集中在 MIDI 上，但乐谱表示在很大程度上未被充分探索。我们提出了 Text2Score，这是一个两阶段框架（包含规划阶段和执行阶段），用于从自然语言提示生成乐谱。通过直接从符号 XML 数据中获取监督信号，我们提出了一种替代的训练范式，绕过了嘈杂或稀缺的文本 音乐对。在规划阶段，一个 LLM 协调器将自然语言提示转换为结构化的小节计划，定义乐器、调性、拍号、和声等音乐属性。然后，生成模型在执行阶段使用该计划，生成受其约束的交错 ABC 记谱法。为了评估输出质量，我们引入了一个由专业音乐家验证的评估框架，涵盖可演奏性、可读性、乐器利用率、结构复杂性和提示遵循度。Text2Score 在客观和主观维度上均优于纯基于 LLM 的代理框架和三个端到端基线模型。我们已开源相关数据集、代码和评估集。 论文：https://arxiv.org/abs/2605.13431 打破节拍！可控的 MIDI 到鼓声音频合成 概述：在数字音乐制作中，现有创建鼓循环音频的方法通常需要创作者付出繁琐的努力。虽然最近的生成模型实现了高保真度并能遵循文本指令，但它们缺乏此类任务所需的特定控制能力。现有的“符号到音频”研究通常侧重于单一的音调乐器，而未解决复音、打击乐合成的挑战。我们通过引入“Break the Beat!”来填补这一空白，这是一个能够使用参考音频的音色来渲染鼓 MIDI 的模型。它是通过我们提出的内容编码器和高效的混合条件机制，对预训练的“文本到音频”模型进行微调而构建的。为此，我们构建了一个配对的目标 参考鼓声音频新数据集。实验表明，该模型生成了遵循高分辨率 MIDI 的高质量鼓声音频，在音频质量、节奏对齐和节拍连续性指标上表现出色。这为音乐制作人提供了一个可控的创意制作新工具。 论文：https://arxiv.org/abs/2605.14555 Persian MusicGen：针对波斯音乐的大规模数据集和文化感知生成模型 概述：波斯音乐具有独特的音调、调式系统 (Dastgah) 和节奏结构，这给主要基于西方音乐训练的音乐生成模型带来了重大挑战。我们通过整理第一个大规模波斯歌曲数据集弥补了这一空白，该数据集包含超过 900 小时的高质量音频样本，涵盖流行、传统和现代风格等不同子流派。该数据集捕捉了波斯音乐丰富的旋律和文化多样性，并作为微调顶尖生成音乐模型 MusicGen 的基础。我们将 MusicGen 调整到该领域，并使用主观和客观指标评估其性能。为了评估生成的音乐与预期风格标签之间的语义对齐情况，我们报告了生成输出中准确反映相关标签的比例。结果表明，微调后的模型产生的作品更符合波斯风格惯例。这项工作为生成式音乐研究引入了新资源，并展示了音乐生成模型对代表性不足的文化和语言背景的适应能力。 论文：https://arxiv.org/abs/2605.14765 ARIA：音乐训练数据归因的诊断框架 概述：音乐生成的训练数据归因（TDA）必须回答版权分析所需的两个问题：哪些训练歌曲影响了生成的输出，以及这种影响作用于哪些音乐层面。现有方法将影响简化为单一标量，而没有揭示哪些音乐层面占主导地位。我们提出了 ARIA，这是一个沿音乐层面（符号音乐五个层面，音频三个层面）分解归因的框架，并将这种分解与从段落级得分矩阵计算出的可靠性诊断相结合。它通过与随机参考组比较来测量归因最高的前 K 个音轨之间的组内相似性，并通过奇异值分解和列统计量诊断得分矩阵。在一个可获得归因真实值的符号音乐模型上，该诊断对四种归因方法的排序与真实值完全一致。在一个音频音乐生成模型上，ARIA 揭示了不同 TDA 方法中存在显著差异的归因行为，并表征了各个层面的嵌入相似性检索基线。总之，ARIA 产生了每个层面的归因证据，这些证据与版权分析中“思想与表达二分法”下考量的音乐层面相一致。 论文：https://arxiv.org/abs/2605.16181 参考资料 https://www.chartlex.com/blog/business/ai vs human listening time 2026 data report https://x.com/ACEStudio jp/status/2054864303165956220?s=20 https://youtu.be/aqyT05sQ1ZE?si=fcBk0rDDT5p271 G https://www.digitalmusicnews.com/2026/05/14/distrokid ai credit disclosure what it looks like/ https://www.linkedin.com/posts/naveen rana 8b696823 azuremarketplace aiaudio generativeai share 7460768404703158272 pAUJ/?utm source=share&utm medium=member desktop&rcm=ACoAAEf4sYcB 7kwpHm7WTW6ML5ECD H8EXZk8c https://x.com/junmingong/status/2055452194632302640?s=20 https://x.com/aisearchio/status/2055478735906988057?s=20 https://x.com/suno/status/2054948668625559902?s=20 https://x.com/suno/status/2054574166104297905?s=20 🏆 本文作者：Keen 链接：https://mp.weixin.qq.com/s/oonLaBZ2pp7qQTcZTL9 A 注：文中部分资讯有视频演示，如需观看请到上方原帖 本文作者：Keen 链接：https://mp.weixin.qq.com/s/oonLaBZ2pp7qQTcZTL9 A 注：文中部分资讯有视频演示，如需观看请到上方原帖 🌈 本周 AI 音乐资讯速览 📊 AI 音乐 2026 数据：上传量狂飙，收听率不足 0.5% 惨淡垫底 🎺 ACE Studio 上线铜管合集：推出三大经典音源，一键生成拟真演奏 🏷️ DistroKid 开放自愿披露：上线 AI 辅助申报，全行业透明度规则成型 💼 Soundverse 登陆微软云：主打绝对版权安全，以合规 API 重塑商业音频 🌍 央音开源 Khala 1.0：首创统一声学 Token 技术的高保真 AI 音乐模型 🚗 Suno 迎来多项重磅更新：正式无缝接入车载系统，App 创作与社交体验全面升级 本周 AI 音乐资讯速览 📊 AI 音乐 2026 数据：上传量狂飙，收听率不足 0.5% 惨淡垫底 🎺 ACE Studio 上线铜管合集：推出三大经典音源，一键生成拟真演奏 🏷️ DistroKid 开放自愿披露：上线 AI 辅助申报，全行业透明度规则成型 💼 Soundverse 登陆微软云：主打绝对版权安全，以合规 API 重塑商业音频 🌍 央音开源 Khala 1.0：首创统一声学 Token 技术的高保真 AI 音乐模型 🚗 Suno 迎来多项重磅更新：正式无缝接入车载系统，App 创作与社交体验全面升级 AI 音乐 2026 数据真相：上传量狂飙，收听率却惨淡垫底 5 月 12 日发布的最新行业数据揭示了 AI 音乐领域一个惊人的“供需断层”：尽管 AI 生成的曲目正在疯狂涌入各大流媒体平台，但真实听众对它们的接受度却几乎降至冰点。 核心数据与行业洞察 • 供给端“洪水泛滥”： 苹果音乐高管 Oliver Schusser 首次公开证实，该平台每月新增曲目中，超 33% 为纯 AI 生成；Deezer 的透明度报告更是将这一比例推高至近 50%。 • 需求端“无人问津”： 极其鲜明的对比是，在苹果音乐上，AI 歌曲的收听时长占比不足总时长的 0.5%。这意味着 99.5% 的版税依然流向了人类音乐人，所谓的“AI 稀释人类版税”在当下纯属伪命题。 • 数据机构的交叉验证： 音乐推广机构 Chartlex 对超 3.6 万个独立音乐目录的审计显示，AI 音乐在独立曲库中的渗透率约为 18%。但在同一流派和粉丝量级下，AI 歌曲的“保存率（Save Rate）”比人类作品低 25% 40%，“完听率”低 15% 25%，而“跳过率（Skip Rate）”则高出 30% 50%。 这种高达 66 倍的“上传与收听鸿沟”主要归结于四点： 生成成本极低导致盲目上传、听众对千篇一律的 AI 痕迹产生审美疲劳、算法因低互动率减少推荐，以及平台针对欺诈播放的强力封杀（苹果音乐的欺诈上传量同比下降了 60%）。 结论显而易见的在当前的流媒体红海中，人类创造的真实情感依然是听众用耳朵投票的唯一硬通货。 ACE Studio 上线 AI 铜管乐器合集：告别繁琐采样，一键生成拟真演奏 5 月 12 日，ACE Studio 宣布正式推出全新的 AI 铜管乐器（Brass）合集，首批包含长号（Trombone）、圆号（French Horn）与小号（Trumpet）三款经典乐器。 核心亮点与创作体验 • 极简生成工作流： 用户只需编写基础的 MIDI 音符并点击生成，即可获得宛如真人在录音棚内吹奏的专业级铜管音轨。创作者无需再下载和挂载庞大的传统采样音源库，也彻底告别了复杂的键位切换（Key switches）操作。 • 告别“机械打谱感”： 官方特别强调，这套全新的 AI 铜管音源不仅具备独特的复古声学质感，更完美复刻了人类吹奏时自然的情感起伏与微小变化，让声音听起来拥有真实的人性化表现。 DistroKid 全面开放 AI 音乐“自愿披露”功能，全行业透明度规则加速成型 5 月 14 日，继上个月与 Spotify 联合开展 AI 制作名单标签的 Beta 测试后，知名独立音乐数字发行商 DistroKid 现已正式向所有用户全面推出 AI 辅助创作的“自愿披露”功能。 核心机制与行业现状 • 仅限新歌的“自觉申报”： 创作者目前在 DistroKid 上传新曲目时，必须回答并声明作品中是否有 AI 参与以及 AI 的具体介入程度。该功能目前不溯及既往的旧曲目。然而，这一机制的软肋在于完全依赖用户的诚实度，缺乏对恶意隐瞒者的实质性约束机制。 • 两大阵营的透明度路线： 随着 AI 音乐泛滥，全行业的透明度规范正逐渐分为两派。一派是以 DistroKid、Spotify 以及 Apple Music（近期要求发行方主动申报的“透明度标签”）为代表的“自愿/人工申报派”；另一派则是以 Deezer 为代表的“技术强硬派”，后者不仅实现了全平台自动识别并标记 AI 音乐，还正将其检测技术授权给其他公司。 尽管外界普遍认为，单靠创作者的“自觉”并不能彻底解决平台面临的版权与欺诈风险，且“没有 AI 标签不代表没用 AI”，