AI音乐周刊 W.A 023

AI音乐周刊 W.A 023 AI音乐周刊 W.A 023 Modified April 14 核心功能亮点 • 海量智能曲谱：一网打尽全网达人与原版吉他谱。谱面排版清晰，对新手极其友好，支持动态指法播放，跟着谱面即可轻松上手。 • 解放双手的演奏交互：支持一键无缝转调以匹配个人偏好；同时配备多档调速的“自动滚谱”功能，让演奏者彻底告别手动翻页带来的脖子酸痛与节奏打断。 • 全能 AI 练琴工具包：内置 AI 辅助系统、高精度调音器以及提供多种灵活定制节奏型的节拍器。目前已完美适配手机与平板双端，将练琴效率直接拉满。对于深受找谱和翻页困扰的乐手而言，Pulu 提供了一个极其轻量且高效的整合方案。目前该应用已在 iOS 与安卓各大应用商店全面开放下载。 Udio 联手 Kobalt 达成授权合作，将推“全新平台”主打官方声音克隆与混音 4 月 9 日，AI 音乐初创平台 Udio 宣布与音乐出版巨头 Kobalt（近期被 Primary Wave 收购）达成战略授权合作。双方宣布，计划于今年晚些时候联合推出一个区别于现有体系的“全新订阅平台”。核心亮点与版权局势 • 合规的“官方克隆”与二创生态：即将上线的新平台将主打正版授权的 AI 创作工具。用户可以使用“自愿授权”的艺术家声音与词曲进行混音、翻唱甚至生成全新歌曲。Kobalt 与 Udio 均强调，此举旨在不断演进的技术环境中为创作者开辟全新的变现渠道，并确保权利人获得公平的报酬。 • 冰火两重天的法律处境：拿下 Kobalt 后，Udio 的“正规军盟友”已囊括 Merlin、环球音乐和华纳音乐。然而，其版权危机并未完全解除：索尼音乐针对 Udio 的侵权诉讼仍在推进中。此外，Udio 还深陷一场由艺术家发起的集体诉讼，原告方律师近期刚严厉驳回了 Udio 试图将自身包装为“被滥用的中立工具”的辩护策略，直指其平台参与了实质性的侵权。 MiniMax Music 2.6 重磅发布：上线强大 Cover 功能与专属 Agent 生态 4 月 10 日，MiniMax 正式发布全新音乐生成大模型 Music 2.6。此次升级跳出了冰冷的参数比拼，聚焦真实的创作者场景，不仅在底层听感与响应速度上实现了全面进化，更推出了突破性的音乐二创玩法与开发者生态。核心升级亮点 • 音质与精细控制跃升：优化了国风等复杂器乐的演奏细节（如气口与时序推进），并针对中低频（贝斯/鼓点）进行深度优化，显著提升听觉冲击力。模型首包响应延迟降至 20 秒内，并全面支持在提示词中精准控制 BPM、Key 及段落结构。 • 全新 Cover（翻唱改编）模式：创作者可上传任意原曲，模型将精准提取其旋律骨架。用户能在保留原曲旋律的基础上，完全重塑曲风、编曲甚至替换歌词，极大降低了专业级改编的门槛。 • 全面拥抱 Agent 智能体生态：官方同步开源了三款 Music Skill（包含音乐生成、虚拟人伴唱与定制歌单），并深度适配 MMX CLI，让开发者的 AI 智能体也能原生调用强大的全模态音乐能力。限时福利即日起，Music 2.6 开启为期 14 天的全球免费内测。C 端产品用户每日尊享 500 首免费创作额度，开发者 API 也同步限免。 👉 产品体验：https://www.minimaxi.com/audio/music Skill：https://github.com/MiniMax AI/skills 强强联手！Controlla 与 Mureka 达成战略合作，共建无版权风险 AI 音乐生态 4 月 10 日，AI 声音克隆平台 Controlla 宣布与头部 AI 音乐生成模型 Mureka 正式达成战略合作。双方将融合各自的技术优势，共同拓展安全、合规的 AI 音乐商业生态系统。核心优势与合作亮点 • 技术与合规双重壁垒： Controlla 拥有业内领先的歌手声音克隆技术，并首创了“艺术家自愿授权参与训练换取版税”的合规机制；而 Mureka 则凭借极高质量的歌曲生成能力在业内迅速崛起。 • 企业级安全 API 开放：此次合作将深度整合 Controlla 的正版授权曲库与双方的模型底座。通过向开发者与创作者全面开放 API 接口，平台将严格把控训练数据标准，从而彻底为企业合作伙伴消除最头疼的版权侵权风险。在 AI 音乐深陷版权诉讼泥潭的当下，业内评价此次合作意义重大。这种摒弃版权灰色地带、“干净训练（Cleanly trained）”的联合解决方案，为全行业打造高标准、可放心商用的底层基建树立了标杆。论文 🌈 以下是 4.7 — 4.13 期间发布的相关论文，已整理翻译具有边界感知信息瓶颈的可控歌唱风格转换摘要：本文介绍了 S4 团队向 2025 年歌唱语音转换挑战赛 (SVCC2025) 提交的系统——一种新型歌唱风格转换系统，该系统在域内设置下推进了细粒度的风格转换和控制。为了应对风格泄漏、动态渲染以及有限数据下的高保真生成等关键挑战，我们引入了三项关键创新：一个边界感知 (boundary aware) 的 Whisper 瓶颈，它池化音素跨度表示以抑制残留的源风格，同时保留语言内容；一个显式的帧级技巧矩阵，在推理过程中通过目标 F0 处理进行增强，以实现稳定且清晰的动态风格渲染；以及一种受感知启发的高频段补全策略，利用辅助的标准 48kHz SVC 模型来增强高频频谱，从而在不过拟合的情况下克服数据稀缺问题。在 SVCC2025 官方的主观评估中，我们的系统在所有提交的作品中取得了最佳的自然度表现，同时在说话人相似度和技巧控制方面保持了极具竞争力的结果，尽管我们使用的额外歌唱数据大大小于其他表现顶尖的系统。音频样本可在线获取。论文链接： https://arxiv.org/abs/2604.05526 AI 生成商业音乐的神经学合理性：使用 Wubble 和 TRIBE v2 的硅内皮层研究摘要：背景音乐塑造了商业环境中的注意力、情感和趋近行为，但 AI 生成音乐在此类环境中的神经学合理性仍未得到充分证实。我们提出了一项硅内 (in silico) 试点研究，将生成式音乐系统 Wubble 与公开发布的全脑编码模型 TRIBE v2 相结合，以估计提示词条件下的零售音乐的皮层反应分布。研究生成了五首纯器乐曲目，涵盖了从低到高唤醒度、从稀疏到密集的编曲、以及从中性到积极效价的提示词，然后对响度归一化波形进行了纯音频的 TRIBE v2 推理分析。分析集中于在听觉、颞上、颞顶和额下 HCP 脑区汇总的 fsaverage5 皮层预测。快速明亮的大调流行乐条件下产生了最大的全皮层平均激活，以及最强的前额叶复合反应等。成对空间相关性表明，提示词的变化调节了预测的皮层状态，而不是产生单一的无差别反应分布。这些结果支持了一个谨慎的皮层神经学合理性主张：基于提示词条件的 AI 音乐可以系统地改变与显著性和估值相关的预期听觉时间前额叶模式。这为对商业音乐生成进行基于生物学的神经学预筛选提供了一个可重复的框架。论文链接： https://arxiv.org/abs/2604.04025 作曲家向量：在潜在空间中对符号音乐生成进行风格引导摘要：符号音乐生成取得了显著进展，但实现对作曲家风格的细粒度且灵活的控制仍然具有挑战性。现有的用于作曲家风格条件化的基于训练的方法依赖于大型标记数据集。此外，这些方法通常一次只支持单一作曲家生成，限制了它们在更具创意或混合场景中的适用性。在这项工作中，我们提出了“作曲家向量 (Composer Vector)”，这是一种在推理阶段进行的引导方法，它直接在模型的潜在空间中运行，无需重新训练即可控制作曲家风格。通过在多个符号音乐生成模型上的实验，我们证明 Composer Vector 有效地将生成引导向目标作曲家风格，通过连续的引导系数实现了平滑且可解释的控制。它还能够在统一的潜在空间框架内无缝融合多种风格。总的来说，简单的潜在空间引导为可控符号音乐生成提供了一种实用且通用的机制。论文链接： https://arxiv.org/abs/2604.03333 OmniSonic：迈向基于视频和文本的通用全景音频生成摘要：在本文中，我们提出了通用全景音频生成 (UniHAGen) 任务，用于合成涵盖不同领域（例如环境事件、乐器和人类语音）的画内 (on screen) 和画外 (off screen) 声音的全面听觉场景。先前的以视频为条件的音频生成模型通常专注于产生与可见发声事件相对应的画内环境声音，而忽略了画外听觉事件；而最近的全局模型又局限于非语音声音，缺乏整合人类语音的能力。为了克服这些局限，我们引入了 OmniSonic，这是一个以视频和文本为联合条件的基于流匹配的扩散框架。它采用 TriAttn DiT 架构，执行三次交叉注意力操作以同时处理画内环境声、画外环境声和语音条件，并通过混合专家 (MoE) 门控机制在生成过程中自适应地平衡它们的贡献。大量实验表明，OmniSonic 在客观指标和人类评估方面始终优于最先进的方法。论文链接： https://arxiv.org/abs/2604.04348 用于高分辨率歌唱伪造检测的联合全频带子频带建模摘要：歌声合成的快速发展增加了未经授权模仿的风险，因此迫切需要更好的歌声深度伪造检测 (SingFake Detection / SVDD)。与语音不同，歌声包含复杂的音高、宽广的动态范围以及音色变化。传统的 16 kHz 采样检测器是不够用的，因为它们丢弃了至关重要的高频信息。本研究首次展示了针对 SVDD 的高分辨率（44.1 kHz 采样率）音频的系统分析。我们提出了一种联合全频带子频带建模框架：全频带捕捉全局上下文，而特定于子频带的专家模型则隔离了在频谱上分布不均的细粒度合成伪影。在 WildSVDD 数据集上的实验表明，高频子频带提供了必不可少的互补线索。我们的框架显著优于 16 kHz 采样模型，证明了高分辨率音频和战略性的子频带整合对于稳健的真实场景检测至关重要。论文链接： https://arxiv.org/abs/2604.04841 GLANCE：一种用于以音乐为基础的非线性视频剪辑的全局局部协调多智能体框架摘要：以音乐为基础的混搭 (mashup) 视频创作是视频非线性剪辑中极具挑战性的一种形式，系统必须从大量源视频中组合出一个连贯的时间线，同时还要与音乐节奏、用户意图、故事完整性以及长程结构约束对齐。现有的方法通常依赖于简化的“检索与拼接”范式。在本文中，我们提出了 GLANCE，这是一个用于该任务的全局局部协调多智能体框架。GLANCE 采用双循环架构：外循环执行长期规划和任务图构建，内循环则采用“观察思考行动验证”流程进行分段剪辑任务及其细化。为了解决时间线合成后的跨段和全局冲突，我们引入了一个包含上下文控制器和动态协商机制的协调模块。我们还构建了 MVEBench 基准测试并提出了评估框架。实验结果表明，在相同的骨干模型下，GLANCE 一致且显著优于先前的研究基线。论文链接： https://arxiv.org/abs/2604.05076 锚定循环生成：用于长序列符号音乐生成的一种新范式摘要：生成具有结构连贯性的长序列仍然是自回归模型面临的一个根本挑战。在符号音乐生成中，由于模型固有的严重误差累积问题，导致音乐质量和结构完整性表现不佳。在本文中，我们提出了锚定循环生成 (ACG) 范式，该范式依赖于已识别音乐中的锚点特征，以在自回归过程中引导后续生成，有效缓解了误差累积问题。基于 ACG 范式，我们进一步提出了分层锚定循环生成 (Hi ACG) 框架，该框架采用系统性的“全局到局部”生成策略，并与我们专门设计的钢琴 token（一种高效的音乐表示）高度兼容。实验结果表明，在长序列符号音乐生成任务中，Hi ACG 框架在主观和客观评估中均显著优于现有主流方法，并表现出极佳的任务泛化能力（如音乐补全）。论文链接： https://arxiv.org/abs/2604.05343 迈向实时人机音乐协演：使用潜在扩散模型与 MAX/MSP 的伴奏生成摘要：我们提出了一个用于实时人类 AI 音乐协同演奏的框架，在该框架中，潜在扩散模型根据实时上下文音频流生成器乐伴奏。系统将 MAX/MSP 前端（处理实时音频输入、缓冲和回放）与运行生成模型的 Python 推理服务器相结合。这使得音乐家能够在成熟的实时环境中进行表演，同时与大规模生成模型进行交互。我们将伴奏生成公式化为一个滑动窗口前瞻 (look ahead) 协议，由于系统延迟是一个关键约束，我们将一致性蒸馏 (consistency distillation) 应用于我们的扩散模型，实现了 5.4 倍的采样时间缩减，实现了实时运行。评估结果证明了基于扩散模型的实时伴奏的可行性，并揭示了模型延迟、前瞻深度与生成质量之间的基本折衷关系。核心功能亮点 • 海量智能曲谱：一网打尽全网达人与原版吉他谱。谱面排版清晰，对新手极其友好，支持动态指法播放，跟着谱面即可轻松上手。 • 解放双手的演奏交互：支持一键无缝转调以匹配个人偏好；同时配备多档调速的“自动滚谱”功能，让演奏者彻底告别手动翻页带来的脖子酸痛与节奏打断。 • 全能 AI 练琴工具包：内置 AI 辅助系统、高精度调音器以及提供多种灵活定制节奏型的节拍器。目前已完美适配手机与平板双端，将练琴效率直接拉满。对于深受找谱和翻页困扰的乐手而言，Pulu 提供了一个极其轻量且高效的整合方案。目前该应用已在 iOS 与安卓各大应用商店全面开放下载。 Udio 联手 Kobalt 达成授权合作，将推“全新平台”主打官方声音克隆与混音 4 月 9 日，AI 音乐初创平台 Udio 宣布与音乐出版巨头 Kobalt（近期被 Primary Wave 收购）达成战略授权合作。双方宣布，计划于今年晚些时候联合推出一个区别于现有体系的“全新订阅平台”。核心亮点与版权局势 • 合规的“官方克隆”与二创生态：即将上线的新平台将主打正版授权的 AI 创作工具。用户可以使用“自愿授权”的艺术家声音与词曲进行混音、翻唱甚至生成全新歌曲。Kobalt 与 Udio 均强调，此举旨在不断演进的技术环境中为创作者开辟全新的变现渠道，并确保权利人获得公平的报酬。 • 冰火两重天的法律处境：拿下 Kobalt 后，Udio 的“正规军盟友”已囊括 Merlin、环球音乐和华纳音乐。然而，其版权危机并未完全解除：索尼音乐针对 Udio 的侵权诉讼仍在推进中。此外，Udio 还深陷一场由艺术家发起的集体诉讼，原告方律师近期刚严厉驳回了 Udio 试图将自身包装为“被滥用的中立工具”的辩护策略，直指其平台参与了实质性的侵权。 MiniMax Music 2.6 重磅发布：上线强大 Cover 功能与专属 Agent 生态 4 月 10 日，MiniMax 正式发布全新音乐生成大模型 Music 2.6。此次升级跳出了冰冷的参数比拼，聚焦真实的创作者场景，不仅在底层听感与响应速度上实现了全面进化，更推出了突破性的音乐二创玩法与开发者生态。核心升级亮点 • 音质与精细控制跃升：优化了国风等复杂器乐的演奏细节（如气口与时序推进），并针对中低频（贝斯/鼓点）进行深度优化，显著提升听觉冲击力。模型首包响应延迟降至 20 秒内，并全面支持在提示词中精准控制 BPM、Key 及段落结构。 • 全新 Cover（翻唱改编）模式：创作者可上传任意原曲，模型将精准提取其旋律骨架。用户能在保留原曲旋律的基础上，完全重塑曲风、编曲甚至替换歌词，极大降低了专业级改编的门槛。 • 全面拥抱 Agent 智能体生态：官方同步开源了三款 Music Skill（包含音乐生成、虚拟人伴唱与定制歌单），并深度适配 MMX CLI，让开发者的 AI 智能体也能原生调用强大的全模态音乐能力。限时福利即日起，Music 2.6 开启为期 14 天的全球免费内测。C 端产品用户每日尊享 500 首免费创作额度，开发者 API 也同步限免。 👉 产品体验：https://www.minimaxi.com/audio/music Skill：https://github.com/MiniMax AI/skills 强强联手！Controlla 与 Mureka 达成战略合作，共建无版权风险 AI 音乐生态 4 月 10 日，AI 声音克隆平台 Controlla 宣布与头部 AI 音乐生成模型 Mureka 正式达成战略合作。双方将融合各自的技术优势，共同拓展安全、合规的 AI 音乐商业生态系统。核心优势与合作亮点 • 技术与合规双重壁垒： Controlla 拥有业内领先的歌手声音克隆技术，并首创了“艺术家自愿授权参与训练换取版税”的合规机制；而 Mureka 则凭借极高质量的歌曲生成能力在业内迅速崛起。 • 企业级安全 API 开放：此次合作将深度整合 Controlla 的正版授权曲库与双方的模型底座。通过向开发者与创作者全面开放 API 接口，平台将严格把控训练数据标准，从而彻底为企业合作伙伴消除最头疼的版权侵权风险。在 AI 音乐深陷版权诉讼泥潭的当下，业内评价此次合作意义重大。这种摒弃版权灰色地带、“干净训练（Cleanly trained）”的联合解决方案，为全行业打造高标准、可放心商用的底层基建树立了标杆。论文 🌈 以下是 4.7 — 4.13 期间发布的相关论文，已整理翻译以下是 4.7 — 4.13 期间发布的相关论文，已整理翻译具有边界感知信息瓶颈的可控歌唱风格转换摘要：本文介绍了 S4 团队向 2025 年歌唱语音转换挑战赛 (SVCC2025) 提交的系统——一种新型歌唱风格转换系统，该系统在域内设置下推进了细粒度的风格转换和控制。为了应对风格泄漏、动态渲染以及有限数据下的高保真生成等关键挑战，我们引入了三项关键创新：一个边界感知 (boundary aware) 的 Whisper 瓶颈，它池化音素跨度表示以抑制残留的源风格，同时保留语言内容；一个显式的帧级技巧矩阵，在推理过程中通过目标 F0 处理进行增强，以实现稳定且清晰的动态风格渲染；以及一种受感知启发的高频段补全策略，利用辅助的标准 48kHz SVC 模型来增强高频频谱，从而在不过拟合的情况下克服数据稀缺问题。在 SVCC2025 官方的主观评估中，我们的系统在所有提交的作品中取得了最佳的自然度表现，同时在说话人相似度和技巧控制方面保持了极具竞争力的结果，尽管我们使用的额外歌唱数据大大小于其他表现顶尖的系统。音频样本可在线获取。论文链接： https://arxiv.org/abs/2604.05526 AI 生成商业音乐的神经学合理性：使用 Wubble 和 TRIBE v2 的硅内皮层研究摘要：背景音乐塑造了商业环境中的注意力、情感和趋近行为，但 AI 生成音乐在此类环境中的神经学合理性仍未得到充分证实。我们提出了一项硅内 (in silico) 试点研究，将生成式音乐系统 Wubble 与公开发布的全脑编码模型 TRIBE v2 相结合，以估计提示词条件下的零售音乐的皮层反应分布。研究生成了五首纯器乐曲目，涵盖了从低到高唤醒度、从稀疏到密集的编曲、以及从中性到积极效价的提示词，然后对响度归一化波形进行了纯音频的 TRIBE v2 推理分析。分析集中于在听觉、颞上、颞顶和额下 HCP 脑区汇总的 fsaverage5 皮层预测。快速明亮的大调流行乐条件下产生了最大的全皮层平均激活，以及最强的前额叶复合反应等。成对空间相关性表明，提示词的变化调节了预测的皮层状态，而不是产生单一的无差别反应分布。这些结果支持了一个谨慎的皮层神经学合理性主张：基于提示词条件的 AI 音乐可以系统地改变与显著性和估值相关的预期听觉时间前额叶模式。这为对商业音乐生成进行基于生物学的神经学预筛选提供了一个可重复的框架。论文链接： https://arxiv.org/abs/2604.04025 作曲家向量：在潜在空间中对符号音乐生成进行风格引导摘要：符号音乐生成取得了显著进展，但实现对作曲家风格的细粒度且灵活的控制仍然具有挑战性。现有的用于作曲家风格条件化的基于训练的方法依赖于大型标记数据集。此外，这些方法通常一次只支持单一作曲家生成，限制了它们在更具创意或混合场景中的适用性。在这项工作中，我们提出了“作曲家向量 (Composer Vector)”，这是一种在推理阶段进行的引导方法，它直接在模型的潜在空间中运行，无需重新训练即可控制作曲家风格。通过在多个符号音乐生成模型上的实验，我们证明 Composer Vector 有效地将生成引导向目标作曲家风格，通过连续的引导系数实现了平滑且可解释的控制。它还能够在统一的潜在空间框架内无缝融合多种风格。总的来说，简单的潜在空间引导为可控符号音乐生成提供了一种实用且通用的机制。论文链接： https://arxiv.org/abs/2604.03333 OmniSonic：迈向基于视频和文本的通用全景音频生成摘要：在本文中，我们提出了通用全景音频生成 (UniHAGen) 任务，用于合成涵盖不同领域（例如环境事件、乐器和人类语音）的画内 (on screen) 和画外 (off screen) 声音的全面听觉场景。先前的以视频为条件的音频生成模型通常专注于产生与可见发声事件相对应的画内环境声音，而忽略了画外听觉事件；而最近的全局模型又局限于非语音声音，缺乏整合人类语音的能力。为了克服这些局限，我们引入了 OmniSonic，这是一个以视频和文本为联合条件的基于流匹配的扩散框架。它采用 TriAttn DiT 架构，执行三次交叉注意力操作以同时处理画内环境声、画外环境声和语音条件，并通过混合专家 (MoE) 门控机制在生成过程中自适应地平衡它们的贡献。大量实验表明，OmniSonic 在客观指标和人类评估方面始终优于最先进的方法。论文链接： https://arxiv.org/abs/2604.04348 用于高分辨率歌唱伪造检测的联合全频带子频带建模摘要：歌声合成的快速发展增加了未经授权模仿的风险，因此迫切需要更好的歌声深度伪造检测 (SingFake Detection / SVDD)。与语音不同，歌声包含复杂的音高、宽广的动态范围以及音色变化。传统的 16 kHz 采样检测器是不够用的，因为它们丢弃了至关重要的高频信息。本研究首次展示了针对 SVDD 的高分辨率（44.1 kHz 采样率）音频的系统分析。我们提出了一种联合全频带子频带建模框架：全频带捕捉全局上下文，而特定于子频带的专家模型则隔离了在频谱上分布不均的细粒度合成伪影。在 WildSVDD 数据集上的实验表明，高频子频带提供了必不可少的互补线索。我们的框架显著优于 16 kHz 采样模型，证明了高分辨率音频和战略性的子频带整合对于稳健的真实场景检测至关重要。论文链接： https://arxiv.org/abs/2604.04841 GLANCE：一种用于以音乐为基础的非线性视频剪辑的全局局部协调多智能体框架摘要：以音乐为基础的混搭 (mashup) 视频创作是视频非线性剪辑中极具挑战性的一种形式，系统必须从大量源视频中组合出一个连贯的时间线，同时还要与音乐节奏、用户意图、故事完整性以及长程结构约束对齐。现有的方法通常依赖于简化的“检索与拼接”范式。在本文中，我们提出了 GLANCE，这是一个用于该任务的全局局部协调多智能体框架。GLANCE 采用双循环架构：外循环执行长期规划和任务图构建，内循环则采用“观察思考行动验证”流程进行分段剪辑任务及其细化。为了解决时间线合成后的跨段和全局冲突，我们引入了一个包含上下文控制器和动态协商机制的协调模块。我们还构建了 MVEBench 基准测试并提出了评估框架。实验结果表明，在相同的骨干模型下，GLANCE 一致且显著优于先前的研究基线。论文链接： https://arxiv.org/abs/2604.05076 锚定循环生成：用于长序列符号音乐生成的一种新范式摘要：生成具有结构连贯性的长序列仍然是自回归模型面临的一个根本挑战。在符号音乐生成中，由于模型固有的严重误差累积问题，导致音乐质量和结构完整性表现不佳。在本文中，我们提出了锚定循环生成 (ACG) 范式，该范式依赖于已识别音乐中的锚点特征，以在自回归过程中引导后续生成，有效缓解了误差累积问题。基于 ACG 范式，我们进一步提出了分层锚定循环生成 (Hi ACG) 框架，该框架采用系统性的“全局到局部”生成策略，并与我们专门设计的钢琴 token（一种高效的音乐表示）高度兼容。实验结果表明，在长序列符号音乐生成任务中，Hi ACG 框架在主观和客观评估中均显著优于现有主流方法，并表现出极佳的任务泛化能力（如音乐补全）。论文链接： https://arxiv.org/abs/2604.05343 迈向实时人机音乐协演：使用潜在扩散模型与 MAX/MSP 的伴奏生成摘要：我们提出了一个用于实时人类 AI 音乐协同演奏的框架，在该框架中，潜在扩散模型根据实时上下文音频流生成器乐伴奏。系统将 MAX/MSP 前端（处理实时音频输入、缓冲和回放）与运行生成模型的 Python 推理服务器相结合。这使得音乐家能够在成熟的实时环境中进行表演，同时与大规模生成模型进行交互。我们将伴奏生成公式化为一个滑动窗口前瞻 (look ahead) 协议，由于系统延迟是一个关键约束，我们将一致性蒸馏 (consistency distillation) 应用于我们的扩散模型，实现了 5.4 倍的采样时间缩减，实现了实时运行。评估结果证明了基于扩散模型的实时伴奏的可行性，并揭示了模型延迟、前瞻深度与生成质量之间的基本折衷关系。论文链接： https://arxiv.org/abs/2604.07612 HAFM：用于音乐伴奏生成的分层自回归基础模型摘要：我们提出了 HAFM，一个生成器乐音频以伴随输入人声的系统。给定分离的歌唱人声，HAFM 会生成连贯的器乐伴奏，该伴奏可直接与输入混合以创建完整的音乐。相较于先前的研究，我们提出了三项关键创新：（1）一种双速率编解码器标记化方案，人声使用 50 Hz 的 HuBERT 语义标记，器乐使用 75 Hz 的 EnCodec 声学标记，从而实现了时间对齐但速率独立的建模；（2）一个包含交错多码本预测和无分类器引导的三阶段分层自回归架构（从语义到粗声学再到精细声学）；以及（3）现代 Transformer 设计选择（如 RMSNorm、QK norm等），以提高训练稳定性和序列泛化能力。在 MUSDB18 上的实验表明，HAFM 在参数更少的情况下，匹敌了之前的最先进系统。论文链接： https://arxiv.org/abs/2604.09054 参考资料 https://x.com/AdinaYakup/status/2041454115650224478?s=20 https://x.com/acemusicAI/status/2041764228739297376?s=20 https://x.com/AdobeResearch/status/2042984601023381798?s=20 https://research.adobe.com/news/when the music fits vidtune helps video creators find the right soundtrack/?linkId=100000417077350 https://www.digitalmusicnews.com/2026/04/09/suno universal music lawsuit settlement impasse/ https://mp.weixin.qq.com/s/hBTEdMeupIU5CVaHeaDzYw https://www.digitalmusicnews.com/2026/04/09/udio kobalt deal/ https://mp.weixin.qq.com/s/KYFyMoTxxyP5nbo73pAN9A https://x.com/MiniMax AI/status/2042744996240199881?s=20 https://x.com/MiniMax AI/status/2043750042113323308?s=20 https://www.linkedin.com/posts/editormarcuslawrence this is a big deal partnershi

在小宇宙note 阅读完整内容