音乐生成，

📄 Aligning Language Models for Lyric-to-Melody Generation with Rule-Based Musical Constraints #音乐生成， #大语言模型， #强化学习， #跨模态 ✅ 评分：7.5/10 | arxiv 👥 作者与机构 第一作者：Hao Meng（根据论文格式推断） 通讯作者：未明确标注。根据论文中“Aligned Lyric2Melody Model”的在线演示域名（arain233.github.io）推断，可能与第一作者或项目负责人相关。 其他作者：Siyuan Zheng, Shuran Zhou, Qiangqiang Wang, Yang Song 机构信息：论文全文未明确列出作者所属机构。根据论文内容和常见的学术实践推断，作者可能来自同一研究团队或实验室。论文中提到了“Xiaomi LLM Core Team”，但未明确说明作者是否隶属于此团队。（推断） 所有作者可能来自小米公司或与其合作的研究机构。 💡 毒舌点评 亮点：这论文最聪明的地方在于，它没去跟人类评委死磕“什么叫好听”，而是把音乐老师敲黑板划的重点（音域别太宽、节奏别太怪、歌词对齐）变成了冷冰冰的代码规则，让模型自己跟自己玩“大家来找茬”，省时省力还效果拔群。 槽点：规则是把双刃剑，虽然保证了下限（能唱），但也可能锁死了上限（好听）。模型学会了“不犯错”，但离“写出动人旋律”可能还差着十个贝多芬的灵感。另外，实验里的“主观评分”居然没找专业音乐人，这就像让一群美食家去评判手术缝合技术，专业不对口啊！ 📌 核心摘要 这篇论文旨在解决大语言模型在歌词到旋律生成任务中，通过监督微调（SFT）训练出的模型常产生音乐上不可行（如节奏怪异、音域超限）的“约束违反”问题。核心贡献是提出了一套无需人工标注、基于规则约束的自动化对齐框架。关键方法分为三步：首先对预训练LLM进行SFT以获得基础生成能力；其次，利用SFT模型生成大量候选旋律，并通过五类预定义的音乐规则（格式、歌词对应、音符重复度、时长合理性、音域）自动评估，构建包含“好-坏”配对和纯“坏”样本的偏好数据集；最后，采用序列对齐策略，先用DPO在配对数据上优化模型偏好，再用KTO在纯负面样本上进一步抑制不良输出。主要发现是该方法在客观指标（音高/时长分布相似度）和主观听感（MOS评分接近真人作品）上均显著优于多个基线，并能大幅减少各类规则违反。实际意义在于为将领域专家知识（以规则形式）高效、可扩展地注入生成模型提供了一种新范式，对音乐、代码等结构化生成任务有重要参考价值。局限性在于规则集可能无法涵盖所有音乐美学维度，生成的旋律在创造性上可能受限。 🏗️ 模型架构 论文提出的“Lyric2Melody”模型架构是一个三阶段流程，核心是基于一个预训练的大语言模型（Qwen2.5-0.5B）。 第一阶段：监督微调（SFT） - 输入：歌词文本序列。 - 输出：符号化旋律序列。旋律被表示为 | (歌词音节, MIDI音高, 时长毫秒) | ... | 的序列。 - 过程：在约130万（80万中文+50万英文）歌词-旋律对数据上微调预训练LLM，使其学会从歌词到该符号格式的映射。 - 关键设计：采用结构化元组表示，强制模型在生成音高和时长的同时，必须与具体的歌词音节对齐，为后续规则约束提供了清晰的解析基础。 第二阶段：偏好数据生成 - 输入：大量未见的歌词提示。 - 过程： a. 使用SFT模型为每个提示生成 k 个候选旋律。 b. 对每个生成的旋律，用五类基于规则的音乐约束进行自动评估： - 格式约束：输出是否可正确解析为 (歌词, 音高, 时长) 元组序列。 - 歌词约束：生成的非连音歌词序列是否是输入歌词的合法分词。 - 音符约束（防单调）：连续相同音高的比例是否低于阈值 τ_note。 - 时长约束（节奏合理性）：每个音符时长是否在 [d_min, d_max] 内；最后一个音符是否在更长的 [d_final_min, d_final_max] 内。 - 音域约束：所有音高是否在预设的人声音域 [p_min, p_max]（如C4-C6）内。 c. 数据构建： - 配对数据（用于DPO）：如果一个提示生成的 k 个旋律中，既有通过所有规则的“胜者”(winner)，也有未通过的“败者”(loser)，则构成 (prompt, winner, loser) 三元组。 - 非配对数据（用于KTO）：如果一个提示生成的所有旋律都未通过规则，则将这些旋律全部作为“不良样本” {y_u} 收集起来。 - 输出：一个大规模的自动偏好数据集，包含配对数据和非配对数据。 ...