MusicLM

MusicLM，这是一个从文本描述中生成高保真音乐的模型，例如“由扭曲的吉他重复段支撑的平静的小提琴旋律”。MusicLM将条件音乐生成的过程转换为分层序列到序列的建模任务，它以24千赫的频率生成音乐，在几分钟内保持一致。我们的实验表明，MusicLM在音频质量和对文本描述的依从性方面都优于以前的系统。此外，我们还演示了MusicLM可以同时以文本和旋律为条件，因为它可以根据文本标题中描述的风格转换口哨和哼唱的旋律。为了支持未来的研究，我们公开发布了MusicCaps，这是一个由5.5k音乐文本对组成的数据集，由人类专家提供丰富的文本描述。