AI音乐周刊 W.A 012

AI音乐周刊 W.A 012 AI音乐周刊 W.A 012 Modified January 26 继本月初收购 Reason Studios 后，一站式音乐制作平台 Landr 于 1 月 23 日再推重磅更新，正式在其 Studio 订阅服务中引入两款 AI 创作工具：Blueprints 和 Layers。 • Blueprints（蓝图）：专为创作初期设计，旨在激发灵感或提供可采样的原始素材，帮助艺术家快速打破“空白画布”的僵局。 • Layers（图层）：侧重于制作阶段，能够生成自动适应音轨结构、调性及速度的专业级乐器演奏，提供“混音就绪”的高质量伴奏。 Landr 特别强调，这两款工具的模型训练数据完全来自“道德采购”，参与贡献数据的艺术家均已签署协议并获得补偿。此次更新整合了 ElevenLabs 和 Stability AI 等合作伙伴的底层技术，致力于在保障版权和艺术家收益的前提下大幅提升创作效率。 Suno 推出 Sounds (Beta) 模式：支持从头生成音效与乐器循环 1 月 24 日，Suno 正式发布 Sounds (Beta) 模式，将 AI 生成能力从整曲扩展至精细化的音频素材。用户现可从零构建“单次采样”与“循环乐段”，精准填补制作需求。 • One shot (单次采样)：专为拟音（Foley）与特效设计。无论是气鸣喇叭、玻璃破碎还是环境脚步声，直接输入提示词即可生成高质量样本。 • Loop (循环乐段)：音乐制作人的灵感利器。支持自定义调式 (Key) 与速度 (BPM)，快速生成吉他 Riff、贝斯线或合成器片段，无缝融入现有工程。该功能目前仅向 Pro 和 Premier 会员开放，单次生成消耗 2 积分。用户可在 Create 页面的 Custom 下拉菜单中体验。论文下面是 1.20 1.26 期间发布的 AI 音乐相关论文 CSyMR：结合 MIR 工具集成的组合符号音乐推理基准测试概述：大型语言模型（LLM）虽然已被用于符号音乐推理，但现有的基准测试主要侧重于孤立的知识点或原子分析，缺乏连接音乐结构所需的综合组合推理能力。为了解决这个问题，作者提出了 CSyMR Bench，这是一个包含 126 个精选多项选择题的数据集，源自专家论坛和专业考试。每个问题都需要结合多种原子分析才能得出最终答案。此外，作者引入了一个工具增强的代理框架（Agent Framework），利用 music21 库中的符号音乐分析工具来应对这些挑战。实验表明，CSyMR Bench 对现有模型提出了不小的挑战，而该工具增强代理的表现始终优于所有基线，准确率提高了 5 7%。论文： https://arxiv.org/abs/2601.11556 单音音乐中基频与发声概率的轻量级自监督检测概述：可靠的基频（F0）和发声估计对神经合成至关重要，但许多音高提取器依赖于大型标记语料库，且在真实的录音伪影下性能会下降。作者提出了一种轻量级的、完全自监督的框架，用于联合 F0 估计和发声推断，专为从有限音频中进行快速单乐器训练而设计。利用 CQT 特征上的转调等变学习，作者引入了一种 EM 风格的迭代重加权方案，使用移位交叉熵（SCE）一致性作为可靠性信号，以抑制信息量低的噪声/未发声帧。该方法在 MedleyDB 上训练并在 MDB stem synth 上评估，实现了具有竞争力的跨语料库性能，并展示了跨乐器的泛化能力。论文： https://arxiv.org/abs/2601.11768 MuseAgent 1：基于交互式接地的乐谱与演奏音频多模态理解概述：尽管多模态大模型（MLLM）取得了进展，但它们理解和交互音乐的能力仍然有限。音乐理解需要对符号乐谱和表现力丰富的演奏音频进行接地推理（Grounded Reasoning）。作者推出了 MuseAgent，这是一个以音乐为中心的多模态代理，通过集成光学音乐识别（OMR）和自动音乐转录模块，增强了语言模型对乐谱图像和性能音频的结构化符号表示能力。为了系统评估音乐理解能力，作者还提出了 MuseBench 基准，涵盖乐理推理、乐谱解读和演奏级分析。实验表明，MuseAgent 在这些任务上大幅优于现有的 MLLM。论文： https://arxiv.org/abs/2601.11968 30年自动歌唱评估与歌唱信息处理综述概述：本文回顾了过去三十年自动歌唱评估和歌唱信息处理的发展，这些技术主要用于支持声乐教学、表演分析和嗓音训练。前者通过计算指标（如音高跟踪、频谱分析）客观评估歌手的表现，后者则将人声信号与目标参考进行比较以捕捉细微差别。文章详细探讨了交互式系统的进步以及机器学习和深度神经网络在提高信号处理精度方面的应用。综述指出了现存的挑战，如缺乏标准化的评估框架、人声与噪声分离的困难，以及在捕捉艺术表现力方面对高级 AI 方法的利用不足。论文： https://arxiv.org/abs/2601.12153 VidTune：利用生成音乐和上下文缩略图创建视频配乐概述：视频创作者常常难以找到匹配视频情绪和叙事的配乐。虽然文本转音乐（Text to Music）模型允许通过提示词生成音乐，但用户研究发现创作者难以构建多样化的提示词及快速比较音轨。作者推出了 VidTune 系统，该系统不仅能根据提示生成多样化的音乐选项，还生成“上下文缩略图”以供快速预览。系统提取视频中的代表性主体，将每首曲目的效价（Valence）和能量（Energy）映射到颜色和亮度等视觉线索上。用户研究表明，参与者认为 VidTune 有助于高效比较音乐选项，并体验到了创作的乐趣。论文： https://arxiv.org/abs/2601.12180 基于多分轨注意力和分层不确定性建模的歌曲美学评估概述：随着 AI 生成音乐的爆发，自动化的歌曲美学评估变得必要。现有研究主要集中在语音或音频质量上，而忽视了歌曲整体的美学。此外，传统方法直接预测精确的平均意见得分（MOS），难以捕捉人类感知的细微差别。本文提出了一个面向歌曲的美学评估框架，包含两个新模块：1）多分轨注意力融合（MSAF），在人声和伴奏之间建立双向交叉注意力；2）分层粒度感知区间聚合（HiGIA），学习多粒度的分数概率分布。实验结果表明，该方法在多维歌曲美学评估中表现优于 SOTA 模型。论文： https://arxiv.org/abs/2601.12222 UNMIXX：解缠高度相关的歌声混合概述：作者介绍了 UNMIXX，一种用于多歌声分离（MSVS）的新框架。与语音分离不同，MSVS 面临数据稀缺和歌声混合高度相关的独特挑战。UNMIXX 通过三个关键组件解决这些问题：1）音乐知情的混合策略，用于构建高度相关的拟真混合数据；2）跨源注意力机制，通过反向注意力将两个歌手的表征分离开；3）幅度惩罚损失，惩罚错误分配的干扰能量。实验表明，UNMIXX 不仅解决了数据稀缺问题，还在分离高度相关的混合音频方面表现出色，SDRi 提升超过 2.2 dB。论文： https://arxiv.org/abs/2601.12802 游戏音乐分段的监督学习研究概述：目前的神经网络模型（包括 Transformer）由于缺乏对音乐结构的理解，难以从统一且重复的音乐材料中生成令人难忘且易于理解的音乐，因此很少被游戏行业采用。本研究旨在探索监督学习方法在结构分段（音乐结构建模的第一步）任务中的表现。作者创建了一个包含 309 个结构标注的音频游戏音乐数据集，并结合 CNN 和 RNN 进行训练。结果显示，该方法在使用较少训练资源的情况下，达到了与最先进的无监督学习方法相当的性能。论文： https://arxiv.org/abs/2601.12961 Fusion Segment Transformer：用于 AI 生成音乐检测的双向注意力引导融合网络概述：随着生成式 AI 的兴起，区分 AI 生成音乐与人类创作音乐的需求日益增加。现有工作主要关注短音频检测，而需要对长时结构和上下文建模的全音频检测仍探索不足。作者提出了 Fusion Segment Transformer，这是 Segment Transformer 的改进版。除了提取短片段的内容嵌入外，作者引入了一个门控融合层（Gated Fusion Layer），有效地整合了内容和结构信息，从而捕捉长期上下文。在 SONICS 和 AIME 数据集上的实验表明，该方法在 AI 生成音乐检测方面达到了最先进的水平。论文： https://arxiv.org/abs/2601.13647 在音乐联合音频文本模型中实现有效的否定建模概述：联合音频文本模型（如 CLAP）广泛用于音乐检索，但它们在处理语义现象（如否定）时表现不佳（例如区分“有人声”与“无人声”）。本文通过在 Million Song Dataset 上从头训练 CLAP 模型来研究并缓解这一限制。作者通过文本增强和基于不相似性的对比损失引入了否定机制，旨在联合嵌入空间中明确分离原始和否定的描述。实验表明，提出的方法在很大程度上保留检索性能的同时，显著改善了对否定语义的处理。论文： https://arxiv.org/abs/2601.13931 ConceptCaps：用于音乐模型可解释性的蒸馏概念数据集概述：基于概念的可解释性方法（如 TCAV）需要清晰、分离良好的正负样本，而现有的音乐数据集缺乏这种结构。作者推出了 ConceptCaps，包含 2.3 万个“音乐描述音频”三元组，具有来自 200 个属性分类体系的显式标签。其生成流程将语义建模与文本生成分离：VAE 学习合理的属性共现模式，微调后的 LLM 将属性列表转换为专业描述，MusicGen 合成相应的音频。这种方法提高了数据的一致性和可控性，并通过 TCAV 分析验证了概念探针可以恢复具有音乐意义的模式。论文： https://arxiv.org/abs/2601.14157 合成歌手：基于深度学习的歌声合成方法综述概述：随着大语言模型和新生成范式的出现，生成可控、高保真的歌声已成为可能。本文系统地分析了基于深度学习的歌声合成（SVS）系统。调查首先按任务类型对现有系统进行分类，然后将当前架构分为两大范式：级联方法和端到端方法。此外，文章深入分析了核心技术，涵盖歌唱建模和控制技术，并回顾了相关的数据集和评估基准。这篇综述为研究人员和工程师提供了 SVS 模型的最新文献参考。论文： https://arxiv.org/abs/2601.13910 基于流匹配的单步可控音乐带宽扩展概述：音频修复旨在逆转数字音频信号的退化。作者将生成模型应用于音频修复，特别是针对历史录音的带宽扩展。本文提出了 FLowHigh 的扩展版本，并引入动态频谱轮廓（DSC）作为通过无分类器指导进行带宽扩展的控制信号。实验表明，该模型具有竞争力的性能，并指出 DSC 是支持细粒度条件控制的有前途的特征，使模型能够执行以前无法实现的修复操作。论文： https://arxiv.org/abs/2601.14356 基于状态空间模型（SSM）的高效训练文本转音乐生成概述：文本转音乐（TTM）通常需要巨大的计算成本和私有数据。为了提高 TTM 训练的经济性和开放性，本文提出了一种基于状态空间模型（SSM）的生成模型骨干。作者将可训练参数限制在与 MusicGen small 相当的水平（约 3 亿），并用 SSM 替换了 Transformer 骨干。所有模型均在 457 小时的纯公共数据集上从头训练。结果发现：1）SSM 表现出比 Transformer 更高的训练效率；2）尽管仅使用了 9% 的 FLOPs 和 2% 的数据量，该模型在客观指标和主观听测中均达到了具有竞争力的性能。论文： https://arxiv.org/abs/2601.14786 生成式人工智能、音乐遗产与马里的和平叙事构建概述：本研究探讨了生成式人工智能（Gen AI）在马里构建和平叙事和振兴音乐遗产方面的能力。研究在社会紧张和寻求和解的背景下，实证探讨了三个问题：Gen AI 如何作为植根于民族语言和传统的音乐创作工具；系统在多大程度上能实现技术创新与文化真实性的平衡；以及 AI 辅助的音乐共创如何加强社会凝聚力。结果表明，嵌入文化意识参与框架中的 Gen AI 可以作为象征性外交的催化剂，放大而非标准化当地的声音。论文： https://arxiv.org/abs/2601.14931 继本月初收购 Reason Studios 后，一站式音乐制作平台 Landr 于 1 月 23 日再推重磅更新，正式在其 Studio 订阅服务中引入两款 AI 创作工具：Blueprints 和 Layers。 • Blueprints（蓝图）：专为创作初期设计，旨在激发灵感或提供可采样的原始素材，帮助艺术家快速打破“空白画布”的僵局。 • Layers（图层）：侧重于制作阶段，能够生成自动适应音轨结构、调性及速度的专业级乐器演奏，提供“混音就绪”的高质量伴奏。 Landr 特别强调，这两款工具的模型训练数据完全来自“道德采购”，参与贡献数据的艺术家均已签署协议并获得补偿。此次更新整合了 ElevenLabs 和 Stability AI 等合作伙伴的底层技术，致力于在保障版权和艺术家收益的前提下大幅提升创作效率。 Suno 推出 Sounds (Beta) 模式：支持从头生成音效与乐器循环 1 月 24 日，Suno 正式发布 Sounds (Beta) 模式，将 AI 生成能力从整曲扩展至精细化的音频素材。用户现可从零构建“单次采样”与“循环乐段”，精准填补制作需求。 • One shot (单次采样)：专为拟音（Foley）与特效设计。无论是气鸣喇叭、玻璃破碎还是环境脚步声，直接输入提示词即可生成高质量样本。 • Loop (循环乐段)：音乐制作人的灵感利器。支持自定义调式 (Key) 与速度 (BPM)，快速生成吉他 Riff、贝斯线或合成器片段，无缝融入现有工程。该功能目前仅向 Pro 和 Premier 会员开放，单次生成消耗 2 积分。用户可在 Create 页面的 Custom 下拉菜单中体验。论文下面是 1.20 1.26 期间发布的 AI 音乐相关论文 CSyMR：结合 MIR 工具集成的组合符号音乐推理基准测试概述：大型语言模型（LLM）虽然已被用于符号音乐推理，但现有的基准测试主要侧重于孤立的知识点或原子分析，缺乏连接音乐结构所需的综合组合推理能力。为了解决这个问题，作者提出了 CSyMR Bench，这是一个包含 126 个精选多项选择题的数据集，源自专家论坛和专业考试。每个问题都需要结合多种原子分析才能得出最终答案。此外，作者引入了一个工具增强的代理框架（Agent Framework），利用 music21 库中的符号音乐分析工具来应对这些挑战。实验表明，CSyMR Bench 对现有模型提出了不小的挑战，而该工具增强代理的表现始终优于所有基线，准确率提高了 5 7%。论文： https://arxiv.org/abs/2601.11556 单音音乐中基频与发声概率的轻量级自监督检测概述：可靠的基频（F0）和发声估计对神经合成至关重要，但许多音高提取器依赖于大型标记语料库，且在真实的录音伪影下性能会下降。作者提出了一种轻量级的、完全自监督的框架，用于联合 F0 估计和发声推断，专为从有限音频中进行快速单乐器训练而设计。利用 CQT 特征上的转调等变学习，作者引入了一种 EM 风格的迭代重加权方案，使用移位交叉熵（SCE）一致性作为可靠性信号，以抑制信息量低的噪声/未发声帧。该方法在 MedleyDB 上训练并在 MDB stem synth 上评估，实现了具有竞争力的跨语料库性能，并展示了跨乐器的泛化能力。论文： https://arxiv.org/abs/2601.11768 MuseAgent 1：基于交互式接地的乐谱与演奏音频多模态理解概述：尽管多模态大模型（MLLM）取得了进展，但它们理解和交互音乐的能力仍然有限。音乐理解需要对符号乐谱和表现力丰富的演奏音频进行接地推理（Grounded Reasoning）。作者推出了 MuseAgent，这是一个以音乐为中心的多模态代理，通过集成光学音乐识别（OMR）和自动音乐转录模块，增强了语言模型对乐谱图像和性能音频的结构化符号表示能力。为了系统评估音乐理解能力，作者还提出了 MuseBench 基准，涵盖乐理推理、乐谱解读和演奏级分析。实验表明，MuseAgent 在这些任务上大幅优于现有的 MLLM。论文： https://arxiv.org/abs/2601.11968 30年自动歌唱评估与歌唱信息处理综述概述：本文回顾了过去三十年自动歌唱评估和歌唱信息处理的发展，这些技术主要用于支持声乐教学、表演分析和嗓音训练。前者通过计算指标（如音高跟踪、频谱分析）客观评估歌手的表现，后者则将人声信号与目标参考进行比较以捕捉细微差别。文章详细探讨了交互式系统的进步以及机器学习和深度神经网络在提高信号处理精度方面的应用。综述指出了现存的挑战，如缺乏标准化的评估框架、人声与噪声分离的困难，以及在捕捉艺术表现力方面对高级 AI 方法的利用不足。论文： https://arxiv.org/abs/2601.12153 VidTune：利用生成音乐和上下文缩略图创建视频配乐概述：视频创作者常常难以找到匹配视频情绪和叙事的配乐。虽然文本转音乐（Text to Music）模型允许通过提示词生成音乐，但用户研究发现创作者难以构建多样化的提示词及快速比较音轨。作者推出了 VidTune 系统，该系统不仅能根据提示生成多样化的音乐选项，还生成“上下文缩略图”以供快速预览。系统提取视频中的代表性主体，将每首曲目的效价（Valence）和能量（Energy）映射到颜色和亮度等视觉线索上。用户研究表明，参与者认为 VidTune 有助于高效比较音乐选项，并体验到了创作的乐趣。论文： https://arxiv.org/abs/2601.12180 基于多分轨注意力和分层不确定性建模的歌曲美学评估概述：随着 AI 生成音乐的爆发，自动化的歌曲美学评估变得必要。现有研究主要集中在语音或音频质量上，而忽视了歌曲整体的美学。此外，传统方法直接预测精确的平均意见得分（MOS），难以捕捉人类感知的细微差别。本文提出了一个面向歌曲的美学评估框架，包含两个新模块：1）多分轨注意力融合（MSAF），在人声和伴奏之间建立双向交叉注意力；2）分层粒度感知区间聚合（HiGIA），学习多粒度的分数概率分布。实验结果表明，该方法在多维歌曲美学评估中表现优于 SOTA 模型。论文： https://arxiv.org/abs/2601.12222 UNMIXX：解缠高度相关的歌声混合概述：作者介绍了 UNMIXX，一种用于多歌声分离（MSVS）的新框架。与语音分离不同，MSVS 面临数据稀缺和歌声混合高度相关的独特挑战。UNMIXX 通过三个关键组件解决这些问题：1）音乐知情的混合策略，用于构建高度相关的拟真混合数据；2）跨源注意力机制，通过反向注意力将两个歌手的表征分离开；3）幅度惩罚损失，惩罚错误分配的干扰能量。实验表明，UNMIXX 不仅解决了数据稀缺问题，还在分离高度相关的混合音频方面表现出色，SDRi 提升超过 2.2 dB。论文： https://arxiv.org/abs/2601.12802 游戏音乐分段的监督学习研究概述：目前的神经网络模型（包括 Transformer）由于缺乏对音乐结构的理解，难以从统一且重复的音乐材料中生成令人难忘且易于理解的音乐，因此很少被游戏行业采用。本研究旨在探索监督学习方法在结构分段（音乐结构建模的第一步）任务中的表现。作者创建了一个包含 309 个结构标注的音频游戏音乐数据集，并结合 CNN 和 RNN 进行训练。结果显示，该方法在使用较少训练资源的情况下，达到了与最先进的无监督学习方法相当的性能。论文： https://arxiv.org/abs/2601.12961 Fusion Segment Transformer：用于 AI 生成音乐检测的双向注意力引导融合网络概述：随着生成式 AI 的兴起，区分 AI 生成音乐与人类创作音乐的需求日益增加。现有工作主要关注短音频检测，而需要对长时结构和上下文建模的全音频检测仍探索不足。作者提出了 Fusion Segment Transformer，这是 Segment Transformer 的改进版。除了提取短片段的内容嵌入外，作者引入了一个门控融合层（Gated Fusion Layer），有效地整合了内容和结构信息，从而捕捉长期上下文。在 SONICS 和 AIME 数据集上的实验表明，该方法在 AI 生成音乐检测方面达到了最先进的水平。论文： https://arxiv.org/abs/2601.13647 在音乐联合音频文本模型中实现有效的否定建模概述：联合音频文本模型（如 CLAP）广泛用于音乐检索，但它们在处理语义现象（如否定）时表现不佳（例如区分“有人声”与“无人声”）。本文通过在 Million Song Dataset 上从头训练 CLAP 模型来研究并缓解这一限制。作者通过文本增强和基于不相似性的对比损失引入了否定机制，旨在联合嵌入空间中明确分离原始和否定的描述。实验表明，提出的方法在很大程度上保留检索性能的同时，显著改善了对否定语义的处理。论文： https://arxiv.org/abs/2601.13931 ConceptCaps：用于音乐模型可解释性的蒸馏概念数据集概述：基于概念的可解释性方法（如 TCAV）需要清晰、分离良好的正负样本，而现有的音乐数据集缺乏这种结构。作者推出了 ConceptCaps，包含 2.3 万个“音乐描述音频”三元组，具有来自 200 个属性分类体系的显式标签。其生成流程将语义建模与文本生成分离：VAE 学习合理的属性共现模式，微调后的 LLM 将属性列表转换为专业描述，MusicGen 合成相应的音频。这种方法提高了数据的一致性和可控性，并通过 TCAV 分析验证了概念探针可以恢复具有音乐意义的模式。论文： https://arxiv.org/abs/2601.14157 合成歌手：基于深度学习的歌声合成方法综述概述：随着大语言模型和新生成范式的出现，生成可控、高保真的歌声已成为可能。本文系统地分析了基于深度学习的歌声合成（SVS）系统。调查首先按任务类型对现有系统进行分类，然后将当前架构分为两大范式：级联方法和端到端方法。此外，文章深入分析了核心技术，涵盖歌唱建模和控制技术，并回顾了相关的数据集和评估基准。这篇综述为研究人员和工程师提供了 SVS 模型的最新文献参考。论文： https://arxiv.org/abs/2601.13910 基于流匹配的单步可控音乐带宽扩展概述：音频修复旨在逆转数字音频信号的退化。作者将生成模型应用于音频修复，特别是针对历史录音的带宽扩展。本文提出了 FLowHigh 的扩展版本，并引入动态频谱轮廓（DSC）作为通过无分类器指导进行带宽扩展的控制信号。实验表明，该模型具有竞争力的性能，并指出 DSC 是支持细粒度条件控制的有前途的特征，使模型能够执行以前无法实现的修复操作。论文： https://arxiv.org/abs/2601.14356 基于状态空间模型（SSM）的高效训练文本转音乐生成概述：文本转音乐（TTM）通常需要巨大的计算成本和私有数据。为了提高 TTM 训练的经济性和开放性，本文提出了一种基于状态空间模型（SSM）的生成模型骨干。作者将可训练参数限制在与 MusicGen small 相当的水平（约 3 亿），并用 SSM 替换了 Transformer 骨干。所有模型均在 457 小时的纯公共数据集上从头训练。结果发现：1）SSM 表现出比 Transformer 更高的训练效率；2）尽管仅使用了 9% 的 FLOPs 和 2% 的数据量，该模型在客观指标和主观听测中均达到了具有竞争力的性能。论文： https://arxiv.org/abs/2601.14786 生成式人工智能、音乐遗产与马里的和平叙事构建概述：本研究探讨了生成式人工智能（Gen AI）在马里构建和平叙事和振兴音乐遗产方面的能力。研究在社会紧张和寻求和解的背景下，实证探讨了三个问题：Gen AI 如何作为植根于民族语言和传统的音乐创作工具；系统在多大程度上能实现技术创新与文化真实性的平衡；以及 AI 辅助的音乐共创如何加强社会凝聚力。结果表明，嵌入文化意识参与框架中的 Gen AI 可以作为象征性外交的催化剂，放大而非标准化当地的声音。论文： https://arxiv.org/abs/2601.14931 使用双向 LSTM 的孟加拉音乐流派分类概述：孟加拉音乐文化丰富，自动流派分类对于高效检索至关重要。本文介绍了一个包含十种不同流派的新型孟加拉音乐数据集，并利用递归神经网络（RNN）架构进行音频分类。具体而言，作者实施了长短期记忆（LSTM）网络来训练模型，并利用梅尔频率倒谱系数（MFCCs）进行特征提取。实验结果显示分类准确率为 78%，表明该系统在组织孟加拉音乐流派方面具有巨大潜力。论文： https://arxiv.org/abs/2601.15083 利用 GenAI 和 LLM 对滥用/暴力音乐及歌曲进行转化概述：重复接触音乐中的暴力和滥用内容可能会影响听众的情绪和行为。本研究探索使用生成式 AI 和大语言模型（LLM）自动转化流行音乐中的滥用词汇（声音传递）和歌词内容。不同于简单的静音或替换单词，该方法转化了语气、强度和情感。对英语歌曲的对比分析表明，Gen AI 显著降低了声音的攻击性（声学分析显示信噪比等指标改善），情感分析显示攻击性降低了 63.3 85.6%。这种方法在保持音乐连贯性的同时减轻了有害内容，避免了传统审查带来的“禁果效应”。论文： https://arxiv.org/abs/2601.15348 PF D2M：用于通用舞蹈转音乐生成的免姿态扩散模型概述：舞蹈转音乐（Dance to Music）旨在生成与舞蹈动作对齐的音乐。现有方法通常依赖于从单个舞者提取的身体运动特征，限制了其在涉及多舞者或非人类舞者场景中的应用。本文提出了 PF D2M，一种通用的基于扩散的生成模型，它结合了从舞蹈视频中提取的视觉特征（而非骨骼姿态）。PF D2M 采用渐进式训练策略，有效解决了数据稀缺和泛化挑战。评估显示，该模型在舞蹈音乐对齐和音乐质量方面均达到了最先进的水平。论文： https://arxiv.org/abs/2601.15872 关注旋律：用于单编码器旋律配和声的课程掩码策略概述：旋律配和声是计算音乐生成的核心挑战。最近的单编码器 Transformer 方法将其视为掩码序列建模问题，但现有的训练课程往往导致旋律与和声之间的注意力微弱，尤其是在域外（Out of domain）上下文中。作者引入了一种名为 FF（full to full）的训练课程，在训练过程中逐步解开整个序列的掩码，以加强旋律和声的交互。在 HookTheory 数据集上的训练和爵士标准的评估表明，FF 课程在几乎所有指标上都优于基线，特别是在需要适应新颖旋律线索的域外评估中表现强劲。论文： https://arxiv.org/abs/2601.16150 参考资料 https://www.linkedin.com/posts/udiomusic merlin udio dealannouncement activity 7419470989295632384 BkMS?utm source=share&utm medium=member desktop&rcm=ACoAAEf4sYcB 7kwpHm7WTW6ML5ECD H8EXZk8c https://www.linkedin.com/posts/musically ai music firm udio has signed its third significant activity 7419329763120431104 6htB?utm source=share&utm medium=member desktop&rcm=ACoAAEf4sYcB 7kwpHm7WTW6ML5ECD H8EXZk8c https://www

在小宇宙note 阅读完整内容