AI音乐周刊 W.A 021

AI音乐周刊 W.A 021 AI音乐周刊 W.A 021 Modified March 30 3 月 27 日，Suno正式发布最新、最具表现力的音乐生成模型 v5.5。此次更新秉持“最棒的音乐始于人类”的理念，致力于将创作者的真实特质融入AI音乐中，让专业人士与普通大众都能打造专属声音。本次更新包含三大核心重点： • Voices（专属声音）：社区呼声最高的功能。用户可录制或上传自己的声音让AI演唱。系统内置安全验证以确保隐私，你的专属声音仅供本人私密创作使用（该功能向 Pro 和 Premier 订阅用户开放，原Personas功能已整合至此）。 • Custom Models（自定义模型）：上传至少6首个人原创曲目，即可在几分钟内微调出贴合你个人音乐风格的专属v5.5模型。Pro/Premier 订阅用户最多可创建3个专属模型。 • My Taste（我的品味）：针对所有用户开放的个性化功能。系统会随时间学习你的偏好（如常用流派和情绪基调），并在使用“魔法棒”功能时自动应用，让Suno更懂你的音乐语言。 Suno v5.5 为下一代音乐模型的演进奠定了基础，标志着向更具人情味的音乐创作迈出了重要一步。 Blog：https://suno.com/blog/v5 5 详细介绍：https://my.feishu.cn/wiki/CFQJwIFVfiXfvAkxC1tcDxzIn2f?from=from copylink Mureka V9 模型重磅发布：更强大的段落控制，视频配乐惊喜上线 3 月 27 日，AI 音乐生成平台 Mureka 正式推出了全新的 V9 模型。本次大版本更新进一步深化了其核心的 MusiCoT（音乐思维链）底层技术，不仅在音频生成质量上实现了跨越，更在创作者最关心的“控制力”上做出了重要升级。核心功能突破 • 精准的文本与情感控制：实现了更强大的段落内控制，音乐走向能更精准地响应提示词；同时，人声的情感表达也得到了显著优化，能够完美契合创作者的真实意图。 • 专业级听感与效率倍增：混音与音频质量的持续提升，让生成的曲目更具专业“成品感”。此外，更快的生成速度和更强的结果多样性，有效减少了内容重复，让灵感反馈更加及时。视频配乐功能除了模型进化，Mureka 还悄悄上线了“视频配乐”功能！国内版本也已与海外版正式对齐，海量新功能全面开放。目前官方暂未大规模宣发，国内创作者们可以抢先上手体验下！链接：https://www.mureka.cn/ Tunee 2.0 发布：一站式 MV 生成与虚拟艺人上线，全面接入 OpenClaw 3 月 27 日，AI 音乐平台 Tunee 推出了完整的“MV 与虚拟艺人”工作流，并通过 Tunee Skill 将其强大的音乐生成引擎无缝接入了 OpenClaw 等外部 AI 智能体生态。核心升级亮点 • AI 导演接管 MV 制作：创作者只需输入自然语言，AI 即可自动规划创意方向、角色概念和脚本分镜。结合一键 MV、唇形同步及动作控制等模式，零基础也能轻松打造专属的虚拟音乐厂牌，并保留全流程的精细编辑权。 • Tunee Skill 跨平台创作：音乐创作不再局限于主站。用户现可在 OpenClaw 对话环境中直接用文字生成全流派音乐，并享受实时互动的歌词润色服务，实现极速闭环创作。 • 零样本声音克隆与专业音质：备受瞩目的“零样本声音克隆（Voice Cloning）”功能正式上线！同时，满足专业需求的无损 WAV 格式下载正式回归，界面也将透明显示生成所用的具体模型。链接：https://www.tunee.ai/home 论文 🚀 以下是 3.24—3.30 期间发布的相关论文，已整理翻译 SqueezeComposer：时间加速是生成长音频音乐的一个简单技巧摘要：创作连贯的长篇幅音乐仍然是一个重大挑战，这主要是因为对长程依赖关系建模的复杂性，以及过长音频表示所带来的极高内存和计算要求。在这项工作中，我们提出了一个简单而强大的技巧：我们假设 AI 模型能够理解并生成以 2 倍、4 倍甚至 8 倍等速率进行时间加速的音频。通过首先生成音乐的高速版本，我们极大地减少了时间长度和资源需求，使得处理原本会超出内存或计算限制的长篇音乐成为可能。随后，生成的音频被恢复到原始速度，从而恢复完整的时间结构。这种时间加速和减速的策略自然地遵循了从抽象到具体内容的层次化生成原则，并且可以方便地应用于现有的音乐生成模型，以实现长音频的生成。我们在 SqueezeComposer 中实例化了这一想法，这是一个在加速域中使用扩散模型进行生成、在恢复域中进行细化的框架。我们在两个任务上验证了该方法的有效性：长篇音乐生成（评估时间维度的控制能力，包括续写、补全和从头生成）和整首歌曲伴奏生成（评估音轨维度的控制能力）。实验结果表明，我们简单的“时间加速”技巧能够实现高效、可扩展且高质量的长音频音乐生成。论文链接： https://arxiv.org/abs/2603.21073 融合记忆与注意力：关于符号音乐生成的 LSTM、Transformer 及其混合架构的研究摘要：机器学习技术，如 Transformer 和长短期记忆（LSTM）网络，在符号音乐生成（SMG）中发挥着至关重要的作用。现有文献表明，LSTM 和 Transformer 在对局部旋律连续性建模与保持全局结构连贯性方面存在差异。然而，它们在 SMG 背景下的具体特性尚未得到系统研究。本文通过对 LSTM 和 Transformer 在 SMG 中的表现进行细粒度对比分析来填补这一空白，并在 Deutschl 数据集上使用 17 种音乐质量指标详细检验了它们的局部和全局属性。我们发现，LSTM 网络在捕捉局部模式方面表现出色，但无法保留长程依赖关系；而 Transformer 能有效地对全局结构进行建模，但往往会产生不规则的乐句划分。基于这一分析并利用它们各自的优势，我们提出了一种将 Transformer 编码器与 LSTM 解码器相结合的混合架构，并将其与两个基线模型进行了对比评估。我们在 Deutschl 数据集上评估了由这三种架构各自生成的 1000 段旋律。结果表明，与基线模型相比，混合方法实现了更好的局部与全局连续性和连贯性。我们的工作突出了这些模型的关键特征，并展示了如何利用它们的特性来设计更优秀的模型。我们还通过消融实验和人类感知评估支持了这些实验，这为本文的发现提供了统计学支持和稳健的验证。论文链接： https://arxiv.org/abs/2603.21282 MuQ Eval：用于 AI 音乐生成评估的开源单样本质量指标摘要：像 Fréchet 音频距离（FAD）这样的分布级指标无法对单个音乐片段进行评分，且与人类判断的相关性较差，而目前唯一实现了与人类评价高度相关的单样本学习指标却是闭源的。我们推出了 MUQ EVAL，这是一个用于 AI 音乐生成的开源单样本质量指标。它是通过在冻结的 MuQ 310M 特征上训练轻量级预测头构建的，使用了 MusicEval 数据集（包含来自 31 个文本到音乐系统生成的片段及专家质量评分）。我们最简单的模型（冻结特征配合注意力池化和一个两层 MLP）在系统级和话语级分别实现了与人类平均主观意见分（MOS）0.957 和 0.838 的斯皮尔曼相关系数（SRCC）。对训练目标和微调策略的系统消融实验表明，没有任何附加设计能显著提升冻结基准的表现，这表明冻结的 MuQ 表示已经捕获了与质量相关的信息。编码器的选择是决定性的设计因素，其重要性超过了所有架构和训练决策。仅使用 150 个片段训练的 LoRA 微调模型就已经达到了可用的相关性，从而允许根据个人听众的标注创建个性化的质量评估器。受控退化分析揭示了该指标对信号级伪影具有选择性敏感，但对音乐结构失真不敏感。我们的指标 MUQ EVAL 是完全开源的，性能优于现有的开源单样本指标，并且可以在单张消费级 GPU 上实时运行。论文链接： https://arxiv.org/abs/2603.22677 ACAVCaps：为细粒度且多样的音频理解提供大规模训练支持摘要：通用音频理解是大型音频语言模型的一个基本目标，而音频描述（Audio Captioning）则是其发展的基石任务。然而，这一领域的进展受到了现有数据集的阻碍，这些数据集缺乏训练真正通用模型所需的规模和描述细粒度。为了填补这一空白，我们引入了 ACAVCaps，这是一个全新的大规模、细粒度且多维度的音频描述数据集。ACAVCaps 源自 ACAV100M 集合，使用多专家流水线构建，从不同视角（包括语音、音乐和声学特性）分析音频，然后由大型语言模型综合成丰富、详细的描述文本。实验结果表明，与在其他领先的音频描述数据集上训练的模型相比，在 ACAVCaps 上进行预训练的模型在各种下游任务上展现出强得多的泛化能力。论文链接： https://arxiv.org/abs/2603.24038 YingMusic Singer：具备灵活歌词操作与免标注旋律引导的可控歌声合成摘要：在保持旋律一致性的同时，使用修改后的歌词重新生成歌声仍然是一个挑战，因为现有方法要么可控性有限，要么需要耗费大量人工进行对齐。我们提出了 YingMusic Singer，这是一个完全基于扩散模型的模型，能够实现旋律可控的歌声合成以及灵活的歌词修改。该模型接收三个输入：一个可选的音色参考、一个提供旋律的歌唱片段以及修改后的歌词，全过程无需人工对齐。通过课程学习（Curriculum Learning）和组相对策略优化（Group Relative Policy Optimization）进行训练，YingMusic Singer 在旋律保持和歌词贴合度上超越了 Vevo2（最具有可比性、支持无需人工对齐进行旋律控制的基准模型）。我们还推出了 LyricEditBench，这是首个用于评估“保持旋律的歌词修改”任务的基准测试。论文链接： https://arxiv.org/abs/2603.24589 Echoes：一个语义对齐的音乐深度伪造检测数据集摘要：我们推出了 Echoes，这是一个专为在真实且多供应商条件下训练和基准测试检测器而设计的全新音乐深度伪造检测（Deepfake Detection）数据集。Echoes 包含 3577 首曲目（共 110 小时音频），涵盖多种流派（流行、摇滚、电子），并包含由 10 个流行的 AI 音乐生成系统所生成的内容。为了防止模型走捷径（shortcut learning）并促进鲁棒的泛化能力，该数据集被故意构建得极具挑战性，强制要求伪造音频与真实参考音频之间达到语义级别的对齐。这种对齐是通过直接基于真实的波形或歌曲描述符来条件化生成音频样本实现的。我们使用最先进的 Wav2Vec2 XLS R 2B 表征，在跨数据集设置下，将 Echoes 与现有的三个 AI 生成音乐数据集进行了评估对比。结果显示：(i) Echoes 是最难的域内数据集；(ii) 在现有数据集上训练的检测器在 Echoes 上的迁移表现很差；(iii) 在 Echoes 上进行训练能产生最强的泛化性能。这些发现表明，生成平台的多样性和语义对齐有助于模型学习到更具迁移性的检测线索。论文链接： https://arxiv.org/abs/2603.23667 利用视觉线索的电影音频源分离摘要：电影音频源分离（CASS）旨在将混合的电影音频分解为语音、音乐和音效，从而为配音和重制等应用提供支持。现有的 CASS 方法仅依赖于音频，忽略了电影固有的视听双重属性，而在电影中，声音往往与视觉线索高度一致。我们提出了首个视听电影音频分离（AV CASS）框架，利用视觉上下文来提升分离质量。我们的方法将 CASS 转化为一个条件生成建模问题，使用条件流匹配（conditional flow matching）来实现多模态音频源分离。为了解决缺乏带有独立音轨的电影数据集的问题，我们引入了一条训练数据合成流水线，将野生（in the wild）音频和视频流（例如：用于语音的面部视频、用于音效的场景视频）配对，并为这种双流设置设计了一个专用的视觉编码器。尽管我们的模型完全在合成数据上进行训练，但它能有效地泛化到真实的电影内容中，并在合成、真实世界以及纯音频的 CASS 基准测试中取得了强劲的表现。 3 月 27 日，Suno正式发布最新、最具表现力的音乐生成模型 v5.5。此次更新秉持“最棒的音乐始于人类”的理念，致力于将创作者的真实特质融入AI音乐中，让专业人士与普通大众都能打造专属声音。本次更新包含三大核心重点： • Voices（专属声音）：社区呼声最高的功能。用户可录制或上传自己的声音让AI演唱。系统内置安全验证以确保隐私，你的专属声音仅供本人私密创作使用（该功能向 Pro 和 Premier 订阅用户开放，原Personas功能已整合至此）。 • Custom Models（自定义模型）：上传至少6首个人原创曲目，即可在几分钟内微调出贴合你个人音乐风格的专属v5.5模型。Pro/Premier 订阅用户最多可创建3个专属模型。 • My Taste（我的品味）：针对所有用户开放的个性化功能。系统会随时间学习你的偏好（如常用流派和情绪基调），并在使用“魔法棒”功能时自动应用，让Suno更懂你的音乐语言。 Suno v5.5 为下一代音乐模型的演进奠定了基础，标志着向更具人情味的音乐创作迈出了重要一步。 Blog：https://suno.com/blog/v5 5 详细介绍：https://my.feishu.cn/wiki/CFQJwIFVfiXfvAkxC1tcDxzIn2f?from=from copylink Mureka V9 模型重磅发布：更强大的段落控制，视频配乐惊喜上线 3 月 27 日，AI 音乐生成平台 Mureka 正式推出了全新的 V9 模型。本次大版本更新进一步深化了其核心的 MusiCoT（音乐思维链）底层技术，不仅在音频生成质量上实现了跨越，更在创作者最关心的“控制力”上做出了重要升级。核心功能突破 • 精准的文本与情感控制：实现了更强大的段落内控制，音乐走向能更精准地响应提示词；同时，人声的情感表达也得到了显著优化，能够完美契合创作者的真实意图。 • 专业级听感与效率倍增：混音与音频质量的持续提升，让生成的曲目更具专业“成品感”。此外，更快的生成速度和更强的结果多样性，有效减少了内容重复，让灵感反馈更加及时。视频配乐功能除了模型进化，Mureka 还悄悄上线了“视频配乐”功能！国内版本也已与海外版正式对齐，海量新功能全面开放。目前官方暂未大规模宣发，国内创作者们可以抢先上手体验下！链接：https://www.mureka.cn/ Tunee 2.0 发布：一站式 MV 生成与虚拟艺人上线，全面接入 OpenClaw 3 月 27 日，AI 音乐平台 Tunee 推出了完整的“MV 与虚拟艺人”工作流，并通过 Tunee Skill 将其强大的音乐生成引擎无缝接入了 OpenClaw 等外部 AI 智能体生态。核心升级亮点 • AI 导演接管 MV 制作：创作者只需输入自然语言，AI 即可自动规划创意方向、角色概念和脚本分镜。结合一键 MV、唇形同步及动作控制等模式，零基础也能轻松打造专属的虚拟音乐厂牌，并保留全流程的精细编辑权。 • Tunee Skill 跨平台创作：音乐创作不再局限于主站。用户现可在 OpenClaw 对话环境中直接用文字生成全流派音乐，并享受实时互动的歌词润色服务，实现极速闭环创作。 • 零样本声音克隆与专业音质：备受瞩目的“零样本声音克隆（Voice Cloning）”功能正式上线！同时，满足专业需求的无损 WAV 格式下载正式回归，界面也将透明显示生成所用的具体模型。链接：https://www.tunee.ai/home 论文 🚀 以下是 3.24—3.30 期间发布的相关论文，已整理翻译以下是 3.24—3.30 期间发布的相关论文，已整理翻译 SqueezeComposer：时间加速是生成长音频音乐的一个简单技巧摘要：创作连贯的长篇幅音乐仍然是一个重大挑战，这主要是因为对长程依赖关系建模的复杂性，以及过长音频表示所带来的极高内存和计算要求。在这项工作中，我们提出了一个简单而强大的技巧：我们假设 AI 模型能够理解并生成以 2 倍、4 倍甚至 8 倍等速率进行时间加速的音频。通过首先生成音乐的高速版本，我们极大地减少了时间长度和资源需求，使得处理原本会超出内存或计算限制的长篇音乐成为可能。随后，生成的音频被恢复到原始速度，从而恢复完整的时间结构。这种时间加速和减速的策略自然地遵循了从抽象到具体内容的层次化生成原则，并且可以方便地应用于现有的音乐生成模型，以实现长音频的生成。我们在 SqueezeComposer 中实例化了这一想法，这是一个在加速域中使用扩散模型进行生成、在恢复域中进行细化的框架。我们在两个任务上验证了该方法的有效性：长篇音乐生成（评估时间维度的控制能力，包括续写、补全和从头生成）和整首歌曲伴奏生成（评估音轨维度的控制能力）。实验结果表明，我们简单的“时间加速”技巧能够实现高效、可扩展且高质量的长音频音乐生成。论文链接： https://arxiv.org/abs/2603.21073 融合记忆与注意力：关于符号音乐生成的 LSTM、Transformer 及其混合架构的研究摘要：机器学习技术，如 Transformer 和长短期记忆（LSTM）网络，在符号音乐生成（SMG）中发挥着至关重要的作用。现有文献表明，LSTM 和 Transformer 在对局部旋律连续性建模与保持全局结构连贯性方面存在差异。然而，它们在 SMG 背景下的具体特性尚未得到系统研究。本文通过对 LSTM 和 Transformer 在 SMG 中的表现进行细粒度对比分析来填补这一空白，并在 Deutschl 数据集上使用 17 种音乐质量指标详细检验了它们的局部和全局属性。我们发现，LSTM 网络在捕捉局部模式方面表现出色，但无法保留长程依赖关系；而 Transformer 能有效地对全局结构进行建模，但往往会产生不规则的乐句划分。基于这一分析并利用它们各自的优势，我们提出了一种将 Transformer 编码器与 LSTM 解码器相结合的混合架构，并将其与两个基线模型进行了对比评估。我们在 Deutschl 数据集上评估了由这三种架构各自生成的 1000 段旋律。结果表明，与基线模型相比，混合方法实现了更好的局部与全局连续性和连贯性。我们的工作突出了这些模型的关键特征，并展示了如何利用它们的特性来设计更优秀的模型。我们还通过消融实验和人类感知评估支持了这些实验，这为本文的发现提供了统计学支持和稳健的验证。论文链接： https://arxiv.org/abs/2603.21282 MuQ Eval：用于 AI 音乐生成评估的开源单样本质量指标摘要：像 Fréchet 音频距离（FAD）这样的分布级指标无法对单个音乐片段进行评分，且与人类判断的相关性较差，而目前唯一实现了与人类评价高度相关的单样本学习指标却是闭源的。我们推出了 MUQ EVAL，这是一个用于 AI 音乐生成的开源单样本质量指标。它是通过在冻结的 MuQ 310M 特征上训练轻量级预测头构建的，使用了 MusicEval 数据集（包含来自 31 个文本到音乐系统生成的片段及专家质量评分）。我们最简单的模型（冻结特征配合注意力池化和一个两层 MLP）在系统级和话语级分别实现了与人类平均主观意见分（MOS）0.957 和 0.838 的斯皮尔曼相关系数（SRCC）。对训练目标和微调策略的系统消融实验表明，没有任何附加设计能显著提升冻结基准的表现，这表明冻结的 MuQ 表示已经捕获了与质量相关的信息。编码器的选择是决定性的设计因素，其重要性超过了所有架构和训练决策。仅使用 150 个片段训练的 LoRA 微调模型就已经达到了可用的相关性，从而允许根据个人听众的标注创建个性化的质量评估器。受控退化分析揭示了该指标对信号级伪影具有选择性敏感，但对音乐结构失真不敏感。我们的指标 MUQ EVAL 是完全开源的，性能优于现有的开源单样本指标，并且可以在单张消费级 GPU 上实时运行。论文链接： https://arxiv.org/abs/2603.22677 ACAVCaps：为细粒度且多样的音频理解提供大规模训练支持摘要：通用音频理解是大型音频语言模型的一个基本目标，而音频描述（Audio Captioning）则是其发展的基石任务。然而，这一领域的进展受到了现有数据集的阻碍，这些数据集缺乏训练真正通用模型所需的规模和描述细粒度。为了填补这一空白，我们引入了 ACAVCaps，这是一个全新的大规模、细粒度且多维度的音频描述数据集。ACAVCaps 源自 ACAV100M 集合，使用多专家流水线构建，从不同视角（包括语音、音乐和声学特性）分析音频，然后由大型语言模型综合成丰富、详细的描述文本。实验结果表明，与在其他领先的音频描述数据集上训练的模型相比，在 ACAVCaps 上进行预训练的模型在各种下游任务上展现出强得多的泛化能力。论文链接： https://arxiv.org/abs/2603.24038 YingMusic Singer：具备灵活歌词操作与免标注旋律引导的可控歌声合成摘要：在保持旋律一致性的同时，使用修改后的歌词重新生成歌声仍然是一个挑战，因为现有方法要么可控性有限，要么需要耗费大量人工进行对齐。我们提出了 YingMusic Singer，这是一个完全基于扩散模型的模型，能够实现旋律可控的歌声合成以及灵活的歌词修改。该模型接收三个输入：一个可选的音色参考、一个提供旋律的歌唱片段以及修改后的歌词，全过程无需人工对齐。通过课程学习（Curriculum Learning）和组相对策略优化（Group Relative Policy Optimization）进行训练，YingMusic Singer 在旋律保持和歌词贴合度上超越了 Vevo2（最具有可比性、支持无需人工对齐进行旋律控制的基准模型）。我们还推出了 LyricEditBench，这是首个用于评估“保持旋律的歌词修改”任务的基准测试。论文链接： https://arxiv.org/abs/2603.24589 Echoes：一个语义对齐的音乐深度伪造检测数据集摘要：我们推出了 Echoes，这是一个专为在真实且多供应商条件下训练和基准测试检测器而设计的全新音乐深度伪造检测（Deepfake Detection）数据集。Echoes 包含 3577 首曲目（共 110 小时音频），涵盖多种流派（流行、摇滚、电子），并包含由 10 个流行的 AI 音乐生成系统所生成的内容。为了防止模型走捷径（shortcut learning）并促进鲁棒的泛化能力，该数据集被故意构建得极具挑战性，强制要求伪造音频与真实参考音频之间达到语义级别的对齐。这种对齐是通过直接基于真实的波形或歌曲描述符来条件化生成音频样本实现的。我们使用最先进的 Wav2Vec2 XLS R 2B 表征，在跨数据集设置下，将 Echoes 与现有的三个 AI 生成音乐数据集进行了评估对比。结果显示：(i) Echoes 是最难的域内数据集；(ii) 在现有数据集上训练的检测器在 Echoes 上的迁移表现很差；(iii) 在 Echoes 上进行训练能产生最强的泛化性能。这些发现表明，生成平台的多样性和语义对齐有助于模型学习到更具迁移性的检测线索。论文链接： https://arxiv.org/abs/2603.23667 利用视觉线索的电影音频源分离摘要：电影音频源分离（CASS）旨在将混合的电影音频分解为语音、音乐和音效，从而为配音和重制等应用提供支持。现有的 CASS 方法仅依赖于音频，忽略了电影固有的视听双重属性，而在电影中，声音往往与视觉线索高度一致。我们提出了首个视听电影音频分离（AV CASS）框架，利用视觉上下文来提升分离质量。我们的方法将 CASS 转化为一个条件生成建模问题，使用条件流匹配（conditional flow matching）来实现多模态音频源分离。为了解决缺乏带有独立音轨的电影数据集的问题，我们引入了一条训练数据合成流水线，将野生（in the wild）音频和视频流（例如：用于语音的面部视频、用于音效的场景视频）配对，并为这种双流设置设计了一个专用的视觉编码器。尽管我们的模型完全在合成数据上进行训练，但它能有效地泛化到真实的电影内容中，并在合成、真实世界以及纯音频的 CASS 基准测试中取得了强劲的表现。论文链接： https://arxiv.org/abs/2603.26113 符号音乐中动机变换的概率多标签图模型摘要：音乐动机（Motifs）经常以改变的形式在音乐作品中反复出现，它们在经历局部变奏的同时保留了其身份特征。本文研究了在符号音乐中，这种动机变换是如何在其音乐上下文中发生的。为了支持这项分析，我们开发了一个用于对动机变换进行建模的概率框架，并将其应用于贝多芬的钢琴奏鸣曲，通过将提供旋律、节奏、和声和动机信息的多重数据集整合到一个统一的分析表示中。通过将每一个动机实例与其局部上下文中的指定参考发生进行比较，动机变换被表示为多标签变量，从而确保了跨变换族群的标签一致性。我们引入了多标签条件随机场（Conditional Random Field）来对“动机级音乐特征如何影响变换的发生”以及“不同变换族群如何倾向于共同出现”进行建模。我们的目标是提供一种具有可解释性、关于动机变换模式的分布分析，从而能够研究它们的结构关系和风格变异。通过将计算建模与音乐理论解释相结合，所提出的框架支持对符号语料库中音乐结构和复杂性的定量研究，并可能有助于分析更广泛的作曲模式和写作习惯。论文链接： https://arxiv.org/abs/2603.26478 参考资料 https://x.com/ai lalal/status/2036744833310875929?s=20 https://x.com/neuralframes/status/2036824740526985483?s=20 https://x.com/GoogleDeepMind/status/2036836176233918707?s=20 https://x.com/GoogleAIStudio/status/2036845857690313085?s=20 https://blog.google/innovation and ai/technology/ai/lyria 3 pro/?utm source=x&utm medium=social&utm campaign=&utm content= https://x.com/suno/status/2037244702693445878?s=20 https://youtu.be/eVlFcpX1VGA?si=GtelVgZwbiD51Cfd https://x.com/Mureka AI/status/2037917222279262593?s=20 🏆 本文作者：Keen 链接：https://mp.weixin.qq.com/s/ecCi6Y2Q8SdwHQTzikYwGg 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/ecCi6Y2Q8SdwHQTzikYwGg 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音乐资讯速览核心模型与巨头动态 • 🎵 谷歌发布 Lyria 3 Pro：支持3分钟结构化生成与全生态接入 • 🗣️ Suno v5.5 重磅发布：主打专属声音克隆与极致个性化创作 • 🎛️ Mureka V9 模型上线：强化段落与情感控制，惊喜推出视频配乐视觉配乐与 MV 创作 • 🎞️ Neural frames 更新：新增对话式剪辑指令与故事板控制滑块 • 👩‍🎤 Tunee 2.0 发布：一站式 MV 生成与虚拟艺人工作流全面上线音频处理与分离技术 • 🥁 LALAL.AI 更新 Andromeda：分轨提速40%，鼓与贝斯分离更纯净本周AI音乐资讯速览核心模型与巨头动态 • 🎵 谷歌发布 Lyria 3 Pro：支持3分钟结构化生成与全生态接入 • 🗣️ Suno v5.5 重磅发布：主打专属声音克隆与极致个性化创作 •

在小宇宙note 阅读完整内容