音乐生成

共分析 137 篇 ICML 2026 论文

CrowdForge 让现场观众在演出前投票决定生成式音乐与混合现实画面的高层参数，通过两场共 19 人的三条件音乐会发现可观察性决定能动感，音频带来情绪唤起而视觉提供清晰反馈，但结论受小样本与同场共置设置的限制。

共分析 28 篇语音/AI 论文

该文把自由文本换成固定字段的结构化字幕来微调流式扩散变换器，并用两步补全和问答式对齐评价来验证，在报告的两个生成集上对齐和质量都有提升，但结论依赖内部训练库与所选评价器组合。

共分析 48 篇语音/AI 论文

该综述把音乐音频生成归纳为表示、生成范式与条件三类设计选择，用同一符号讲解编解码、扩散与偏好优化，并以系统对照表说明长歌曲、编辑与实时演奏各自的代价与评价限度。

共分析 47 篇语音/AI 论文

该文用两阶段把定时音符先变成每弦基频与包络曲线再合成音频，在 GuitarSet 上控制保真与主观分领先单阶段与 DDSP-Guitar，但频谱距离指标 MSSL 仍落后于直接优化混音的 DDSP-Guitar。

共分析 25 篇语音/AI 论文

该文把旋律控制写成以可微基频估计为观测算子的逆问题，用扩散后验采样加三角波暖启动引导无条件模型，在钢琴、吉他和人声上达到接近专用条件模型的旋律准确率，但音色、咬字等不受控细节仍由先验决定。

共分析 80 篇语音/AI 论文

论文把钢琴 MIDI 扩展为器乐流行伴奏定义为 Piano2Pop，用流行录音反向合成的伪钢琴小样微调流匹配生成模型，在 476 对真实翻弹检验下配对监督路线最接近真实流行，功能选择式转录是可行的无配对替代，但结论只在 30 秒片段与客观指标条件下成立。

本文解读《Resonance and Depth》如何用个人打击乐语料、多智能体重组与对象化空间把音色和空间写成 9 分钟沉浸式演出的形式，证据是作者在 SAT 穹顶的现场演出记录与系统分工描述，代价是缺乏可量化的音色与空间效果评估。

共分析 58 篇语音/AI 论文

论文以弦乐与电子音乐史为背景，对比两部作品处理人工智能的不同立场，并以四把大提琴加现场电子演奏者的新作为例说明如何把语言模型生成文本、变声与三维扩声组织成可复述的创作流程，其结论只在现场音乐厅聆听与作曲家掌握技术的条件下成立。

共分析 57 篇语音/AI 论文

MIDI-REPA 在 122M 参数的流匹配 DiT 上，用自动转谱得到的钢琴卷帘对齐早期中间层并贯穿全轨迹，在相同数据和单卡约 31 小时成本下提升了文本一致性和音频质量。

论文把从多乐器混音中按提示抽出目标音色并合成新音高和力度作为新任务，用提示门控统计池化从混合中提取音色码再驱动音符合成器，在 27 个未见 NSynth 音色上文本提示达到 CLAP 0.706 并优于已测先分离再复刻流程，但音高信息仍有残留且同类多乐器点选仍待解决。

共分析 69 篇语音/AI 论文

LiveSynth 用流式 MIDI 加 CLAP 音色向量逐帧生成连续音频隐变量再经因果 VAE 解码，在 NSynth 和 Slakh 上取得与离线基线可比的音色相似度和更低的频谱距离，代价是音符准确率和制作质量偏低，且实时性结论只在 M3 MacBook Air 上 10 ms 帧长下成立。