音乐生成

📄 Etude: Piano Cover Generation with a Three-Stage Approach — Extract, Structuralize, and Decode #音乐生成 #生成模型 #自回归模型 #音乐信息检索 ✅ 7.0/10 | 前25% | #音乐生成 | #自回归模型 | #生成模型 #音乐信息检索 学术质量 6.0/7 | 选题价值 1.0/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Tse-Yang Chen（National Taiwan University） 通讯作者：论文中未明确标注通讯作者 作者列表：Tse-Yang Chen（National Taiwan University）， Yuh-Jzer Joung（National Taiwan University） 💡 毒舌点评 论文的核心亮点在于三阶段解耦架构的设计非常巧妙，通过“提取-结构化解码”的流水线，强制让模型关注节拍对齐这一被以往工作忽视的关键，从而在主观听感上实现了质的飞跃（尤其是流畅度）。然而，其短板也显而易见：所构建的~4700首歌曲数据集虽然规模尚可，但高度集中于J-pop/K-pop，方法的泛化能力在其他音乐风格（如古典、爵士）上的有效性存疑，且“风格注入”的实际控制粒度和效果在论文中并未得到充分展示。 🔗 开源详情 代码：论文中明确提供了项目页面链接：https://xiugapurin.github.io/Etude/，并声称所有代码将在该页面开源。 模型权重：论文中未明确提及是否公开训练好的模型权重。 数据集：论文描述了自行收集和筛选的数据集规模（4,752对，约500小时），但未明确说明是否公开原始音频数据集。仅提到代码、音频演示和完整手稿可在项目页面获取。 Demo：项目页面提供了音频演示（Audio Demonstrations）。 复现材料：论文详细说明了数据集构建流程、模型架构细节（如GPT-NeoX参数配置）、训练超参数（学习率、批次大小、优化器、调度策略等），为复现提供了较好的信息基础。 论文中引用的开源项目：使用了Beat-Transformer[8]、MrMsDTW[14]、SyncToolbox[15]、GPT-NeoX[16]、AdamW[17]。 论文中未提及开源计划：论文中明确表示将在项目页面提供代码和演示，因此不能说未提及开源计划。但关于数据集和模型权重的公开情况，信息不完整。 📌 核心摘要 问题：现有深度学习自动钢琴编曲（APCG）模型在生成的钢琴谱中经常出现节奏不一致、拍子混乱等问题，导致音乐结构感缺失，整体质量不高。 核心方法：提出三阶段框架“Etude”。Extract阶段从原始音频中提取密集的、类MIDI的音乐事件特征；Structuralize阶段（与Extract并行）使用预训练Beat-Transformer提取精确的节拍框架（Fbeat）；Decode阶段基于Transformer，以小节为单位，结合提取的特征（X）、风格向量和前四小节的上下文，自回归生成目标钢琴序列（Y）。 创新点：相比已有两阶段模型（如PiCoGen），新方法显式解耦了节拍检测，保证了结构一致性；设计了极简的Tiny-REMI标记化方案，移除了对APCG任务冗余的Token，降低了学习难度；引入了可控的风格向量，允许用户调节音乐织体和表情。 主要实验结果：在100首测试集上，Etude（默认设置）在主观平均分（OVL）上达到3.50（满分5），显著优于基线PiCoGen2（2.97）、AMT-APC（2.46）和Music2MIDI（2.27），且统计显著（p<0.001）。在所提出的结构相似度（WPD）、节奏网格一致性（RGC）和节奏模式复杂度（IPE）等客观指标上，也表现出更接近人类演奏的平衡状态。详细结果见下表。 模型 主观总体分 (OVL) ↑ 主观流畅度 (FL) ↑ WPD ↓ RGC ↓ IPE Human 3.92 ± 0.96 4.03 ± 1.02 0.49 0.042 10.13 Etude - Default 3.50 ± 0.99 3.73 ± 0.98 0.21 0.020 9.02 Etude - Prompted 3.46 ± 1.00 3.70 ± 1.05 0.23 0.026 9.11 Etude Extractor 3.33 ± 1.00 3.31 ± 1.13 0.12 0.028 10.62 PiCoGen2 [3] 2.97 ± 1.04 3.33 ± 1.12 1.00 0.059 7.97 AMT-APC [4] 2.46 ± 1.04 2.37 ± 1.11 0.09 0.114 10.69 Music2MIDI [5] 2.27 ± 1.07 2.29 ± 1.13 0.18 0.160 8.94 实际意义：该方法显著提升了自动钢琴编曲的音乐性和结构合理性，使其主观评价接近人类水平，为社交媒体内容创作、音乐教育辅助等应用提供了更强大的工具。 局限性：数据集主要基于流行音乐（J/K-pop），在其他音乐类型上的有效性未经验证；风格控制虽然引入，但仅以三个离散等级（低、中、高）实现，精细度和可控范围有限；论文未公开模型权重。 🏗️ 模型架构 Etude的整体架构（如图1所示）是一个清晰的三阶段流水线，旨在解耦自动钢琴编曲的复杂性。 ...

📄 Evaluating Disentangled Representations for Controllable Music Generation #音乐生成 #模型评估 #解纠缠学习 #数据集 ✅ 7.5/10 | 前25% | #音乐生成 | #模型评估 | #解纠缠学习 #数据集 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 中 👥 作者与机构 第一作者：Laura Ibáñez-Martínez（巴塞罗那庞培法布拉大学音乐技术组） 通讯作者：未说明 作者列表：Laura Ibáñez-Martínez（巴塞罗那庞培法布拉大学音乐技术组）、Chukwuemeka Nkama（巴塞罗那庞培法布拉大学音乐技术组）、Andrea Poltronieri（巴塞罗那庞培法布拉大学音乐技术组）、Xavier Serra（巴塞罗那庞培法布拉大学音乐技术组）、Martín Rocamora（巴塞罗那庞培法布拉大学音乐技术组） 💡 毒舌点评 这篇论文最大的亮点是构建了一套系统、多维度的评估框架，直指当前音乐生成领域“可控性”声称背后的表示学习软肋，揭示了“声称解纠缠”与“实际解纠缠”之间的差距。然而，其短板在于实验结论的力度受制于其仅评估了三个特定模型（且模型配置非完全受控），且对“解纠缠”在实际生成任务中（如音色迁移）的效果缺乏端到端验证，使得警示意义强于解决方案的提出。 🔗 开源详情 代码：论文提供评估框架的代码仓库链接：https://github.com/lauraibnz/synesis。用于训练被评估模型的代码，论文称使用了各模型的官方仓库（未给出具体链接）。 模型权重：论文中未提及是否公开了重训后的模型权重。 数据集：评估使用的Slakh2100和MAESTRO是公开数据集，论文中提供了参考文献。探测用的SynTheory数据集也是公开的。 Demo：论文中未提及提供在线演示。 复现材料：提供了评估框架代码和部分数据集信息。但被评估模型的具体训练配置（除表1列出的维度等）未详细给出。 论文中引用的开源项目：引用了mir eval用于MIR指标计算，以及被评估模型的官方代码库（SS-VQ-VAE [9], TS-DSAE [10], AFTER [11]）。 论文中未提及完整的开源计划。 📌 核心摘要 要解决什么问题：当前许多可控音乐生成模型声称通过解纠缠表示（如分离“结构/音符”与“音色/风格”）来实现对生成音乐的精确控制，但这些表示本身的质量、语义一致性以及是否真正解纠缠，缺乏超越简单下游任务的系统性评估。 方法核心是什么：本文将来自图像/语音领域的synesis表示评估框架适配到音乐音频领域，提出一个包含信息性（Informativeness）、等变性（Equivariance）、不变性（Invariance）和解纠缠性（Disentanglement）四个轴的综合评估协议，并应用于评估三种无监督的结构-音色解纠缠模型（SS-VQ-VAE， TS-DSAE， AFTER）。 与已有方法相比新在哪里：不同于以往仅通过生成质量或简单下游任务（如乐器分类）来评估可控性，本文的方法深入到表示的内部结构性质，通过设计受控变换来测试表示的响应，并量化两个潜在表示之间的信息泄漏，从而更本质地诊断解纠缠的有效性。 主要实验结果如何： 信息性：容量更大的SS-VQ-VAE在多数任务上信息性更强（如乐器分类准确率0.982），但TS-DSAE在特定任务（如速度预测，MSE 0.187）更优。所有模型在音符级任务（多音高估计F1最高0.258）上表现均不佳。 等变性/不变性：观察到信息性与等变性之间存在权衡关系。较大的SS-VQ-VAE等变性较弱。数据增强和对抗损失等策略对改善不变性和解纠缠性影响更大。 解纠缠性：发现普遍且不对称的信息泄漏。例如，SS-VQ-VAE的音色嵌入中包含大量结构信息（ΔAcc高达0.318）；而AFTER的结构嵌入中则包含音色信息（ΔAcc 0.068）。此外，所有模型的音色嵌入都系统性地编码了速度信息（ΔMSE显著）。相对而言，TS-DSAE的解纠缠表现最为均衡。 实际意义是什么：研究结果对当前音乐生成领域广泛采用的“结构-音色”解纠缠范式提出了严肃质疑。它表明这些学习到的表示在语义上并不纯净，这直接限制了它们在可控生成（如精确的音色迁移或结构编辑）中的可靠性和可预测性，提示社区需要重新审视“可控性”的定义和实现路径。 主要局限性是什么：1) 评估仅限于表示层面，未结合生成器的解码能力来评估最终输出的可控性；2) 使用的评估模型（及其默认配置）数量有限，可能无法代表所有解纠缠策略；3) 对于音符级任务的低性能，简单探测器可能无法充分提取复杂嵌入中的信息。 🏗️ 模型架构 本文的核心贡献是评估框架，而非提出新模型。它评估了三种已有的、用于音乐音频解纠缠的生成模型架构。论文本身未提供这些模型的详细架构图，但描述了它们的关键组件和解纠缠策略： ...

📄 Fine-Tuning Bigvgan-V2 for Robust Musical Tuning Preservation #音乐生成 #领域适应 #数据增强 #声码器 #鲁棒性 ✅ 7.5/10 | 前25% | #音乐生成 | #领域适应 | #数据增强 #声码器 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：未说明（论文作者列表按字母顺序排列，未明确指出第一作者） 通讯作者：未说明（论文中未明确标注通讯作者） 作者列表：Hans-Ulrich Berendes（国际音频实验室埃尔兰根）、Ben Maman（国际音频实验室埃尔兰根）、Meinard Müller（国际音频实验室埃尔兰根） 💡 毒舌点评 亮点：论文精准地抓住了神经声码器在音乐处理中的一个“阿喀琉斯之踵”——调音偏差，并用一套非常工整的实验设计（构建调音均匀分布测试集、对比不同调音分布训练数据、结合客观指标与主观听测）给出了令人信服的解决方案，证明了即使低分辨率模型也能通过针对性适应达到高分辨率模型的性能。短板：其本质是对现有模型（BigVGAN-V2）的微调应用，核心方法（领域适应、数据增强）并非原创；此外，论文未开源代码和模型，复现依赖项目主页上的有限资源，对推动该方向的快速跟进略有阻碍。 🔗 开源详情 代码：论文中未提及代码链接。项目主页（https://www.audiolabs-erlangen.de/resources/MIR/2026-ICASSP-VocoderFineTuning）提供了一些音频示例，但未说明是否包含微调代码。 模型权重：未提及。微调后的模型权重未公开。 数据集：未公开。使用的内部古典音乐数据集未提供。 Demo：项目主页提供了听测示例音频和更多示例，可视为一种有限形式的Demo。 复现材料：论文提供了微调的基本设置（数据集构建方法、训练步数、基线模型信息），但缺少关键的训练超参数（学习率、优化器等）、硬件配置和完整的数据处理/训练脚本。复现需要依赖BigVGAN-V2的官方代码库。 论文中引用的开源项目： BigVGAN-V2：作为基础和对比模型。 Rubber Band库：用于音高偏移数据增强。 librosa 和 libfmp：用于调音估计。 开源计划：论文中未提及明确的开源计划。 📌 核心摘要 本文针对神经声码器（以BigVGAN-V2为例）在处理非标准调音音频时产生的音高偏移（调音偏差）问题，提出了通过微调来缓解该问题的解决方案。方法核心是构建包含不同调音分布的训练数据集（自然调音分布、均匀调音分布、通过音高偏移增强的均匀调音分布），并在这些数据集上对BigVGAN-V2的80频段版本进行微调。与现有工作相比，新在首次系统研究了如何通过数据策略而非增加模型复杂度（如使用更高频段）来解决调音偏差问题，并证明了数据增强方法的有效性。主要实验结果表明，使用均匀分布数据（特别是通过音高偏移增强的数据）微调后，80频段模型的调音保持精度（平均偏差<3 cents）达到了未微调的128频段模型的水平，且主观听测显示微调模型在非标准调音（尤其是钢琴）下更受偏好。该工作的实际意义在于提供了一种计算高效且鲁棒的方案，使轻量级声码器能可靠地应用于多样化调音条件下的音乐合成。主要局限性在于该解决方案针对BigVGAN-V2模型，其泛化性到其他声码器架构有待验证；且研究局限于西方音乐系统，未涉及非西方调音体系。 🏗️ 模型架构 论文主要研究对象为BigVGAN-V2声码器，并未提出新的模型架构，而是对其进行微调。 ...

📄 FUSEMOS: Perceptual Evaluation of Text-to-Music Generation with Dual-Encoder Fusion and Ranking-Aware Composite Loss #音乐生成 #模型评估 #预训练 #对比学习 #多任务学习 ✅ 7.5/10 | 前25% | #音乐生成 | #多任务学习 | #模型评估 #预训练 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Jing Yang（武汉大学电子信息学院， MiLM Plus (小米)） 通讯作者：Ningning Pan（西南财经大学计算机与人工智能学院）， Gongping Huang（武汉大学电子信息学院） 作者列表：Jing Yang（武汉大学电子信息学院， MiLM Plus (小米)）， Haoyu Wang（西南财经大学计算机与人工智能学院， MiLM Plus (小米)）， Ningning Pan（西南财经大学计算机与人工智能学院， 通讯作者）， Zhao Wang（MiLM Plus (小米)）， Jianxuan Yang（MiLM Plus (小米)）， Gongping Huang（武汉大学电子信息学院， 通讯作者） 💡 毒舌点评 亮点：非常务实地解决了T2M评估中的一个痛点——单一CLAP编码器“懂语义不懂音乐”，通过双编码器融合显著提升了评估精度，消融实验做得扎实有力。短板：虽然方法有效，但核心创新（融合两个预训练模型+设计一个损失）在深度学习领域属于常见套路，且论文缺乏对模型推理速度或轻量化可能性的讨论，这在实际部署评估系统时是个关键问题。 ...

📄 Huí Sù: Co-constructing a Dual Feedback Apparatus #音乐生成 #生成模型 #实时处理 #信号处理 📝 5.5/10 | 后50% | #音乐生成 | #生成模型 | #实时处理 #信号处理 | arxiv 学术质量 5.0/7 | 选题价值 2.0/2 | 复现加成 -1.0 | 置信度 高 👥 作者与机构 第一作者：Yichen Wang（The Australian National University） 通讯作者：未说明（论文未明确指定通讯作者，但提供了两位作者的邮箱） 作者列表：Yichen Wang（The Australian National University, Canberra, ACT, Australia）、Charles Patrick Martin（The Australian National University, Canberra, ACT, Australia） 💡 毒舌点评 论文提出了一个有趣且概念完整的“双反馈”智能乐器二重奏系统，巧妙地将AI在音频潜空间和MIDI控制流中的反馈作用进行对比与融合，为表演艺术提供了新的交互范式。然而，其致命短板在于完全缺乏任何形式的定量评估、对比实验或详细的可复现技术描述，使得整个工作停留在艺术项目展示层面，学术严谨性和可复现性严重不足。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及公开模型权重。 数据集：未提及。 Demo：提供了表演视频作为在线演示：https://doi.org/10.5281/zenodo.19673150。 复现材料：未提供训练细节、配置、检查点或附录说明。 论文中引用的开源项目：明确提到了使用RAVE模型（具体引用了 rave:caillon2021, ravemodels:acids）。Agentier中的MDRNN架构引用了Martin2019。 总结：论文中未提及开源计划。 📌 核心摘要 这篇论文是NIME‘26的一场艺术表演提案，旨在探索两个智能乐器“溯”（Sù）和“Agentier”通过反馈回路与人类表演者进行二重奏。要解决的问题是如何在音乐表演中实现人与AI更深度的共同创作，而非单向控制。其方法核心是构建两个对比系统：“溯”在音频潜空间（基于RAVE模型）引入潜变量反馈，使音色演变具有时序连续性；“Agentier”在MIDI控制空间（基于MDRNN模型）引入控制信号反馈，使系统能生成和延续演奏手势。与已有方法相比，新在将“反馈”这一概念系统地拆解并实现在音乐生成的两个不同层面（音频与控制），并将其置于协同表演的语境中。主要实验结果未提供定量数据，仅通过一段12分钟的即兴表演视频（链接：https://doi.org/10.5281/zenodo.19673150）进行概念验证，展示了系统在实际演出中的可行性。实际意义在于为智能乐器设计和人机交互艺术实践提供了新的思路和系统原型。主要局限性在于缺乏可量化的性能评估、对比研究以及详细的技术复现信息。 ...

ICASSP 2026 - 音乐生成 共 31 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 MuseTok: Symbolic Music Tokenization for Generation and Sema 8.5分 前25% 🥈 Time-Shifted Token Scheduling for Symbolic Music Generation 8.5分 前25% 🥉 Low-Resource Guidance for Controllable Latent Audio Diffusio 8.5分 前25% 4. A Generative-First Neural Audio Autoencoder 8.5分 前25% 5. Virtual Consistency for Audio Editing 8.0分 前25% 6. AnyAccomp: Generalizable Accompaniment Generation Via Quanti 8.0分 前25% 7. Stemphonic: All-At-Once Flexible Multi-Stem Music Generation 7.7分 前25% 8. MR-FlowDPO: Multi-Reward Direct Preference Optimization for 7.5分 前25% 9. Via Score to Performance: Efficient Human-Controllable Long 7.5分 前25% 10. Automatic Music Mixing Using a Generative Model of Effect Em 7.5分 前25% 11. Sing2Song: An Accompaniment Generation System Based on Solo 7.5分 前25% 12. Differentiable Pulsetable Synthesis for Wind Instrument Mode 7.5分 前25% 13. Compression meets Sampling: LZ78-SPA for Efficient Symbolic 7.5分 前25% 14. Break-the-Beat! Controllable MIDI-to-Drum audio synthesis 7.5分 前25% 15. Text2midi-InferAlign: Improving Symbolic Music Generation wi 7.5分 前25% 16. Diffusion Timbre Transfer via Mutual Information Guided Inpa 7.5分 前25% 17. D3PIA: A Discrete Denoising Diffusion Model for Piano Accomp 7.5分 前25% 18. Evaluating Disentangled Representations for Controllable Mus 7.5分 前25% 19. Aligning Language Models for Lyric-to-Melody Generation with 7.5分 前25% 20. FUSEMOS: Perceptual Evaluation of Text-to-Music Generation w 7.5分 前25% 21. Fine-Tuning Bigvgan-V2 for Robust Musical Tuning Preservatio 7.5分 前25% 22. Visual Keys to Symphonies: Latent Diffusion for Multi-Scene 7.5分 前25% 23. VMSP: Video-to-Music Generation with Two-Stage Alignment and 7.0分 前25% 24. Etude: Piano Cover Generation with a Three-Stage Approach — 7.0分 前25% 25. Towards Multi-View Hierarchical Video-to-Piano Generation wi 7.0分 前25% 26. ViTex: Visual Texture Control for Multi-Track Symbolic Music 7.0分 前50% 27. Instrument Generation Through Distributional Flow Matching a 7.0分 前25% 28. When Noise Lowers the Loss: Rethinking Likelihood-Based Eval 7.0分 前25% 29. Symphony Rendering: Midi and Composer-Conditioned Auto Orche 7.0分 前50% 30. Pianoroll-Event: A Novel Score Representation for Symbolic M 6.5分 前25% 31. Melos: Sentence-To-Section Training with Multi-Task Learning 6.5分 前50% 📋 论文详情 🥇 MuseTok: Symbolic Music Tokenization for Generation and Semantic Understanding 🔥 8.5/10 | 前25% | #音乐生成 | #预训练 | #音乐理解 #数据集 ...

📄 Improving Interpretability in Generative Multitimbral DDSP Frameworks via Semantically-Disentangled Musical Attributes #音频生成 #音乐生成 #信号处理 #解耦表示 ✅ 7.5/10 | 前25% | #音频生成 | #信号处理 | #音乐生成 #解耦表示 学术质量 6.5/7 | 选题价值 1.0/2 | 复现加成 1.0 | 置信度 高 👥 作者与机构 第一作者：Francesco Ardan Dal Rì（特伦托大学信息工程与计算机科学系） 通讯作者：未说明 作者列表：Francesco Ardan Dal Rì（特伦托大学信息工程与计算机科学系）、Nicola Conci（特伦托大学信息工程与计算机科学系） 💡 毒舌点评 这篇论文巧妙地将语义解耦的VAE与改进的DDSP结合，解决了多乐器生成中“控制黑箱”的痛点，实验也证明了其灵活生成能力。不过，它只在TinySOL这样的小型数据集上验证，且避开了与更强大的扩散式音频生成模型的正面比较，说服力打了折扣。 🔗 开源详情 代码：论文明确提供了代码仓库链接：https://github.com/return-nihil/MT-GEN_DDSP/ 模型权重：论文中未提及是否公开预训练模型权重。 数据集：使用的是公开数据集TinySOL，论文中未提供其获取方式链接，但注明“a publicly available dataset”。 Demo：论文中未提及在线演示。 复现材料：论文详细给出了训练超参数（学习率、批量大小、轮数、优化器）、数据增强方法、模型架构细节和评估指标，为复现提供了充分信息。 论文中引用的开源项目：论文引用了多个开源框架和工具，如DDSP[6]、FLAMO[8]、MIDI-DDSP[16]、SnakeGAN[19]、FAD指标[21]等，表明其工作建立在开源生态之上。 📌 核心摘要 要解决什么问题：传统DDSP（可微分数字信号处理）架构依赖帧级潜在编码，在多乐器纯生成设置中缺乏全局语义可解释性，且音色与力度等音乐属性相互纠缠，难以实现独立、可控的生成。 方法核心是什么：提出一个由Triple-VAE编码器和改进DDSP解码器组成的框架。Triple-VAE从频谱图中提取语义解耦的全局音色（t）和力度（d）嵌入（各8维）。DDSP解码器以这些全局嵌入、归一化包络曲线和音高轮廓为输入，使用双层GRU来学习复杂的时序依赖，最终通过谐波+噪声（HpN）模块合成波形。 与已有方法相比新在哪里：首次在多乐器DDSP框架中引入通过监督学习强制解耦的全局音色与力度表示，替代了传统的帧级z编码。同时，用归一化包络曲线替代原始响度曲线作为控制信号，并使用双层GRU而非单层RNN来更好地从全局表示中建模时序细节。 主要实验结果如何：在TinySOL数据集上，框架在多种乐器数量配置下均表现出色。 Triple-VAE的属性分类准确率（C Acc.）接近1.0，而“移除器”准确率（R Acc.）较低，证明解耦有效。 DDSP重建的感知质量（MR-STFT）稳定在1.133-1.209，与基线相当。 生成质量（FAD）优于基线，其中PANN-FAD（时序相关）随乐器数增加显著下降至0.019×10⁻⁴，表明包络建模能力增强。 相较于基线（无解耦VAE+传统DDSP），本框架在FAD指标上提升显著（如VGG-FAD: 2.256 vs 4.556 @ t=2）。 关键数据见下表： 配置 Triple-VAE MSE (×10⁻³)↓ C Acc.↑ (t/p/d) R Acc.↓ (t/p/d) DDSP MR-STFT↓ DDSP MSE (×10⁻³)↓ DDSP FAD VGG↓ DDSP FAD PANN (×10⁻⁴)↓ t=2 5.664 ± 3.970 1.00 / 1.00 / 1.00 0.74 / 0.21 / 0.44 1.208 ± 0.056 4.168 ± 0.974 2.256 0.500 t=4 5.488 ± 3.698 1.00 / 1.00 / 0.99 0.50 / 0.19 / 0.52 1.209 ± 0.077 6.263 ± 1.873 2.448 0.132 t=8 5.556 ± 3.797 1.00 / 1.00 / 0.99 0.37 / 0.13 / 0.54 1.153 ± 0.075 10.310 ± 4.550 2.618 0.019 t=14 5.733 ± 4.808 0.99 / 1.00 / 0.99 0.29 / 0.14 / 0.54 1.133 ± 0.078 13.622 ± 6.220 2.743 0.019 基线 (t=2) 5.574 ± 4.879 1.00 / 0.99 / 0.99 // // // 1.292 ± 0.072 4.728 ± 1.662 4.556 1.688 实际意义是什么：该框架使得从仅16维的紧凑、语义明确的潜在空间中生成高质量、可控的多乐器音频成为可能，为实时声音设计、音乐制作和创意音频合成提供了新的工具。 主要局限性：实验仅在小型数据集（TinySOL）上进行，且乐器种类有限。框架性能随乐器数量增加在波形级（MSE）和频谱级（VGG-FAD）上有所下降。未来需验证其在更大规模、更多样数据集及复杂非谐波声音上的泛化能力。 🏗️ 模型架构 本文提出一个端到端的“Triple-VAE编码器 + DDSP解码器”框架，用于多乐器声学声音的可控生成。整体流程如下：输入音频首先被转换为频谱图和归一化的包络（RMS）、音高（YIN）轮廓。频谱图被送入Triple-VAE编码器，输出解耦的全局潜在表示；包络和音高轮廓与全局潜在表示拼接后，作为DDSP解码器的输入，最终合成音频波形。 ...

📄 InstructAudio: Unified Speech and Music Generation with Natural Language Instruction #语音合成 #音乐生成 #扩散模型 #多任务学习 #统一音频模型 ✅ 7.5/10 | 前25% | #语音合成 | #扩散模型 | #音乐生成 #多任务学习 学术质量 6.0/7 | 选题价值 2.0/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Chunyu Qiang（天津大学，快手科技） 通讯作者：Longbiao Wang（天津大学） 作者列表：Chunyu Qiang（天津大学，快手科技），Kang Yin（快手科技），Xiaopeng Wang（快手科技），Yuzhe Liang（快手科技），Jiahui Zhao（天津大学），Ruibo Fu（中国科学院自动化研究所），Tianrui Wang（天津大学），Cheng Gong（天津大学），Chen Zhang（快手科技），Longbiao Wang†（天津大学），Jianwu Dang（天津大学） 💡 毒舌点评 这篇论文的最大亮点在于其“野心”——试图用一个统一的框架和自然语言指令，同时搞定语音合成（TTS）和音乐生成（TTM）这两个本就差异显著的任务，这在思路上确实领先。但短板也很明显：论文在展示音乐生成对比结果时，坦诚其5-20秒的生成长度可能对长时序模型不公平，这种实验设计的局限性削弱了结论的说服力；更关键的是，论文几乎未提供任何可复现的开源信息，这对于一个宣称“统一框架”的工作而言，是个不小的遗憾。 🔗 开源详情 代码：论文中未提及代码仓库链接。 模型权重：论文中未提及公开的模型权重下载地址。 数据集：论文中使用了自收集的50K小时语音和20K小时音乐数据，但未提及是否会公开数据集或获取方式。 Demo：提供了在线音频示例演示页面：https://qiangchunyu.github.io/InstructAudio/ 复现材料：论文给出了模型参数量（1.34B）、主要架构层数、优化器、初始学习率和GPU数量，但缺少学习率调度策略、训练步数/轮数、梯度裁剪等关键训练细节，复现材料不充分。 论文中引用的开源项目：引用了多个开源模型（如CosyVoice2, ACE-Step, DiffRhythm+）和工具（如Resemblyzer, emotion2vec, Qwen2.5），但未提及是否在代码或模型中集成了其他特定开源项目。 总结：论文中未提及开源计划（如代码、模型、数据的开源时间表）。 📌 核心摘要 问题：现有的文本转语音（TTS）和文本转音乐（TTM）系统在基于指令（自然语言描述）的控制方面存在显著局限。TTS模型通常依赖参考音频控制音色，属性控制能力有限；TTM模型则依赖专业标注，且两类任务长期独立开发，难以统一建模。 方法核心：提出InstructAudio，一个基于多模态扩散Transformer（MM-DiT）和条件流匹配的统一框架。它采用标准化的“指令-音素”输入格式，通过联合和单一扩散Transformer层，处理无噪的梅尔VAE潜在表示，从而在统一模型中实现语音和音乐的生成与控制。 新意：这是首个通过自然语言指令统一控制语音和音乐生成的框架。它消除了对参考音频的依赖，能通过文本指令控制音色（性别、年龄）、副语言（情感、风格、口音）和音乐（类型、乐器、节奏、氛围）等多种属性，并支持双说话人对话生成。 主要实验结果： TTS任务：在Seed-TTS基准的WER指标上，InstructAudio在可控条件下达到了最佳的英文（1.52%）和中文（1.35%）错误率（见表1）。在指令控制任务上，其分类控制准确率（如性别100%、年龄86.67%、对话90%）和说话人/情感相似度均优于强基线CosyVoice2，且在LSD、MCD等失真指标上更优（见表2）。 TTM任务：在SongEval音乐评估基准的所有指标（连贯性、音乐性等）上均取得最佳分数。在分类控制准确率上，于歌手性别（98.89%）、年龄（97.22%）和氛围（95.00%）控制上表现突出（见表3）。 综合对比：论文通过图1可视化比较，声称在多项指标上实现了TTS和TTM能力的全面领先。 实际意义：为内容创作（如生成带有特定情感和风格的旁白或背景音乐）、交互式媒体、娱乐等领域提供了一种更通用、交互更自然的音频内容生成工具，降低了专业音频制作的门槛。 主要局限性：1) 统一输入格式（纯文本指令）导致了“一对多”的映射歧义，可能牺牲了生成音频的自然度和质量（NMOS分数低于使用参考音频的基线）；2) 为了联合建模，将音乐生成长度限制在5-20秒，限制了其在长时音乐生成场景的应用，并且对基线模型的评估可能不公平；3) 论文未提供开源代码、模型或数据，可复现性低。 InstructAudio整体架构示意图（图2）。 ...

📄 Instrument Generation Through Distributional Flow Matching and Test-Time Search #音乐生成 #流匹配 #扩散模型 #测试时搜索 ✅ 7.0/10 | 前25% | #音乐生成 | #流匹配 | #扩散模型 #测试时搜索 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Qihui Yang（University of California, San Diego） 通讯作者：未说明 作者列表：Qihui Yang（University of California, San Diego）、Randal Leistikow（Smule Labs）、Yongyi Zang（Smule Labs） 💡 毒舌点评 亮点在于，论文巧妙地将“承认不确定性”引入流匹配框架，让模型不再“固执己见”，并通过测试时搜索将计算力转化为音色一致性的提升，这在概念上很优雅。短板是实验仅在相对“干净”且规模有限的NSynth数据集上进行，对于真实世界中更复杂、噪声更多或音色更微妙的乐器场景，其泛化能力和实际效用仍有待验证，且开源代码的缺失让这一新颖方法停留在了“可读但不可复用”的阶段。 🔗 开源详情 代码：论文中未提及代码链接。项目主页（https://flowsynth.github.io/）可能包含演示或资料，但未明确提供训练/推理代码仓库。 模型权重：未提及是否公开预训练模型权重。 数据集：使用公开的NSynth数据集，但论文未说明是否提供预处理后的数据或具体处理脚本。 Demo：项目主页可能包含音频演示，但论文中未明确提及在线交互式Demo。 复现材料：提供了部分训练超参数（优化器、学习率、步数、批次大小）和推理设置（求解器、步数），但缺少模型完整配置、环境依赖、完整评估脚本等信息。复现材料有限。 论文中引用的开源项目：引用了并可能基于以下开源工作：DiffRhythm的VAE，CLAP编码器，DiT架构。这些是构建FlowSynth的基础组件。 📌 核心摘要 问题：现有基于音符级模型的虚拟乐器生成方法，在生成不同音高和力度的音符时，难以保持一致的音色（timbre），限制了其在专业音乐制作中的应用。 ...

📄 Learning Linearity in Audio Consistency Autoencoders via Implicit Regularization #音频生成 #音乐生成 #扩散模型 #数据增强 #模型评估 ✅ 7.5/10 | 前25% | #音频生成 | #扩散模型 | #音乐生成 #数据增强 学术质量 6.5/7 | 选题价值 1.0/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Bernardo Torres（LTCI, Telecom Paris, Institut Polytechnique de Paris） 通讯作者：未说明 作者列表：Bernardo Torres（LTCI, Telecom Paris, Institut Polytechnique de Paris），Manuel Moussallam（Deezer Research），Gabriel Meseguer-Brocal（Deezer Research） 💡 毒舌点评 亮点：方法异常优雅——仅通过训练时对潜向量和音频波形施加精心设计的数据增强（增益缩放和人工混合），就“教”会了一个复杂的扩散自编码器学习线性，而不增加任何额外的损失项或架构改动。短板：该方法严重依赖于所选择的 Music2Latent CAE 架构，其通用性未得到验证；且论文中展示的“音源分离”仅为基于潜空间算术的Oracle实验，距离实际、复杂的分离应用仍有很大差距，更像一个原理验证（proof-of-concept）。 🔗 开源详情 代码：提供代码仓库链接：www.github.com/bernardo-torres/linear-autoencoders。 模型权重：提供了公开的模型权重（论文中提及“Code and model weights are available online”）。 数据集：使用了多个公开数据集（MTG-Jamendo, MoisesDB等）的混合，未提及新的专属数据集。 Demo：提供了在线音频示例和项目页面（https://bernardo-torres.github.io/projects/linear-cae）。 复现材料：训练细节（超参数、调度、数据增强细节）在论文3.3节和相关脚注中描述得非常充分。 依赖的开源项目：依赖于Music2Latent [4]架构，并可能使用了kadtk库进行KAD评估。 📌 核心摘要 要解决什么问题：现代音频自编码器（AE）能实现高压缩和高质量重建，但其编码得到的潜在空间通常是非线性的、纠缠的，导致无法进行直观的代数操作（如在潜空间直接混合或缩放音频）。 方法核心是什么：提出一种基于数据增强的隐式正则化方法，在不改变自编码器（本文为一致性自编码器CAE）架构和损失函数的前提下，诱导其学习线性（齐次性和可加性）。具体技巧包括：(1) 隐式齐次性：训练时对潜向量施加随机增益a，并要求解码器从带增益a的音频中重建，迫使模型学习增益的线性映射；(2) 隐式可加性：通过构造人工混合音频，并用其对应源潜向量的平均值作为条件进行训练，鼓励加法性质。 与已有方法相比新在哪里：与需要修改架构或引入额外损失项的方法不同，本工作证明仅通过训练时的数据增强就能有效诱导出近似的线性潜空间。这使得自编码器在保持原有高压缩比（64倍）和单步重建能力的同时，获得了可操作性。 主要实验结果如何：在MusicCaps和MUSDB18-HQ数据集上的实验表明，所提出的Lin-CAE模型： 重建质量：与基线CAE（M2L）相当，在MSS上（1.01 vs 0.98）和SNR上（3.19 vs 3.09）略有提升。 同质性（齐次性）：远优于所有基线。解码器同质性MSS降解从基线的约2.3倍（0.98→2.27）减少至1.36倍（1.01→1.37）。 可加性与源分离：在潜空间算术任务中表现突出。解码器可加性MSS从基线的5.0以上降至0.99。在Oracle音源分离（减去伴奏潜向量）任务中，Lin-CAE的SI-SDR和MSS在所有乐器上均显著优于基线，例如人声分离SI-SDR为-1.18 dB（基线M2L为-12.56 dB）。 实际意义是什么：提供了一种简单有效的技术，用于构建结构化、可操作的音频潜空间。这使得在压缩域内进行高效的音频混合、编辑和分离成为可能，为音频生成和处理提供了更直观的接口。 主要局限性是什么：方法与特定的CAE架构耦合紧密，泛化性未知；所验证的源分离任务为理想化的Oracle设置（已知需要分离的源），未处理真实场景下的盲分离；线性是近似的，其程度可能随任务复杂度增加而面临挑战。 🏗️ 模型架构 本文提出的Lin-CAE架构基于已有的Music2Latent (M2L)一致性自编码器(CAE)，并未修改其基础结构，仅在训练流程上进行了增补。整体架构是一个条件扩散模型，用于音频压缩与重建。 ...