音乐生成

📄 SonicWeave: Chunk-Routed Mixture-of-Experts for Unified Audio Scene Generation 标签：#音频生成 #流匹配 #语音合成 #音乐生成 #统一音频模型 7.6/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ✅ 7.6/10 | 前25% | 文档类型：模型报告 | 评分置信度：中 | #音频生成 | #流匹配 | #语音合成 #音乐生成 | arxiv 👥 作者与机构 第一作者：Yunrui Cai（香港中文大学；实习于快手 Kling Team） 通讯作者：Xu Li（快手 Kling Team）、Helen Meng（香港中文大学） 作者列表： Yunrui Cai（香港中文大学；快手 Kling Team） Xu Li（快手 Kling Team） Yucheng Zhou（快手 Kling Team） Jinchao Li（快手 Kling Team） Dingdong Wang（香港中文大学） Dongchao Yang（香港中文大学） Xixin Wu（香港中文大学） Chen Zhang（快手 Kling Team） Zhiyong Wu（清华大学深圳国际研究生院） Pengfei Wan（快手 Kling Team） Helen Meng（香港中文大学） 💡 毒舌点评 用“连续音频块路由 + 先验/证据冲突门”把条件计算从 token 级提升到局部连续结构，确实比任务级或帧级 MoE 更贴合语音/音乐/音效的短时连续性，受控消融和路由可视化初步撑起了核心 claim。但公开基准上并未全面压过专用 SOTA，复杂场景优势主要靠自家 100 条提示 + Gemini 参考无关裁判背书；代码仓库虽然挂在项目主页，但权重和训练数据依然没有放出，“统一音频场景生成”的增量价值仍需要更独立、更可复现的验证。 ...

📄 VIOLET: High-Fidelity Violin Synthesis with Techniques and Dynamics 标签：#音乐生成 #扩散模型 #流匹配 #音频生成 #数据集 7.6/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 7.6/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #音乐生成 | #扩散模型 | #流匹配 #音频生成 | arxiv 👥 作者与机构 论文原文未提供作者列表、第一作者、通讯作者或机构信息。正文脚注仅给出 GitHub 仓库 https://github.com/User-tian/VIOLET，不能据此确认作者身份，因此这里不臆测任何姓名或机构。 💡 毒舌点评 VIOLET 在“可控小提琴合成”这个垂直方向上确实做到了新高度：技巧与连续动态都能显式控制，客观指标明显超过 ViolinDiff，并在多项主观评分中逼近商业虚拟乐器。但训练数据仍以商用 VI 渲染为主，真实录音只作为辅助数据，且评测基准也大量建立在合成数据上；因此论文标题中的“高保真”更准确地说应是“商业 VI 渲染分布内的高保真”，对真实演奏录音的泛化尚未被证明。 ...

📄 MI-MIDI: Mechanistic Interpretability of Text-to-MIDI Generation Models via Probing, Lenses and Steering 标签：#音乐生成 #自回归模型 #可解释性 #模型评估 7.1/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 1.1/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐生成 | #自回归模型 | #可解释性 #模型评估 | arxiv 👥 作者与机构 第一作者：Jakub Poćwiardowski（华沙理工大学计算机科学研究所） 第二作者：Mateusz Modrzejewski（华沙理工大学计算机科学研究所） 通讯作者：论文未标注通讯作者 💡 毒舌点评 这篇工作把线性探针、logit/tuned lens、activation patching 和 steering 成套搬到文本到 MIDI 的符号音乐生成模型上，跨模型对比和双向干预分解是明显亮点，确实补了一个此前空白的方向。但它本质上是成熟可解释性工具的领域迁移与组合，且“架构决定预测形成方式”的核心判断建立在每种架构只有一个模型的基础上，无法排除分词、预训练数据和条件注入方式的混杂，作为因果结论仍然偏弱。更有经验的研究者会期待至少一个同架构不同 tokenizer/conditioning 的对照，或对 steering 方向做随机方向基线。 ...

📄 Diff-Symbo: Text-Controlled Long-Duration Symbolic Music Generation Using Autoregressive Latent Diffusion Model 标签：#音乐生成 #扩散模型 #自回归模型 #数据集 #音频理解 6.5/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.1/0.5 | 工程 1/1.5 ✅ 6.5/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐生成 | #扩散模型 | #自回归模型 #数据集 | arxiv 👥 作者与机构 第一作者：Zhiwei Lin（未说明） 通讯作者：未说明 作者列表：Zhiwei Lin（未说明）、Jun Chen（未说明）、Boshi Tang（未说明）、Weihao Wu（未说明）、Jing Yang（未说明）、Yaolong Ju（未说明）、Fan Fan（未说明）、Zhiyong Wu（未说明） 备注：论文正文仅标出作者上标编号 1、2、3，未给出机构名称。 💡 毒舌点评 把 LDM 与自回归潜在上下文拼接结合来解决长程符号音乐生成，思路自然，且客观指标确实优于已有基线；但代码和模型权重均未公开，上下文模块没有做有/无的独立消融，长时长实验只验证到 32 小节，论文却宣称能生成“数分钟”一致音乐。这些 claim 目前主要靠 demo 和少量表格背书，审稿人无法直接复现验证。 ...

📄 Rethinking Automatic Music Mixing as Sequential Stem Blending 标签：#音乐生成 #流匹配 #Transformer #基准测试 #音频理解 6.5/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 6.5/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐生成 | #流匹配 | #Transformer #基准测试 | arxiv 👥 作者与机构 第一作者：Yen-Tung Yeh（机构未说明） 通讯作者：未说明 作者列表：Yen-Tung Yeh（机构未说明）、Chung-Jui Chan（机构未说明）、Yun-Ning Hung（机构未说明）、Yi-Hsuan Yang（机构未说明） 💡 毒舌点评 把 AMM 从“并行一次性输入全部干声”重构为“逐条干声融入既有 submix”，这个范式转换确实有启发性，也符合混音师实际工作方式。用 submix 条件流匹配配合退化数据合成，技术路线自洽，并且给出了 stem blending 新基准、客观指标和主观听感测试。但最核心的客观基准是用同一套退化策略构造的，存在“自己出题自己考”的风险；主观测试仅 18 人、6 个样本，未报告显著性和置信区间；代码、模型权重和 benchmark 数据均未公开，也没有组件级消融，因此该工作的可验证性和可传播性明显受限。 ...

📄 Equivariant Music Transformer 标签：#音乐生成 #知识蒸馏 #Transformer #音频理解 #模型评估 8.6/10 | 创新 1.4/2 | 严谨 1.5/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1/1.5 🔥 8.6/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音乐生成 | #知识蒸馏 | #Transformer #音频理解 | arxiv 👥 作者与机构 第一作者：Zixun Guo（论文正文未给出完整作者栏；致谢表明其为UKRI Centre for Doctoral Training in Artificial Intelligence and Music博士生，结合伦理审查单位推断为Queen Mary University of London） 通讯作者：未说明 作者列表：Zixun Guo、Simon Dixon（其中Simon Dixon依据现有元数据；所给论文正文中未出现完整作者名单，无法从文本独立确认） 💡 毒舌点评 论文最有价值的贡献是一个反直觉且可复现的实证发现：标准音乐Transformer的等变性不会随规模扩大和训练步数增加而涌现，反而持续退化。EMT用共享权重的辅助分支做自蒸馏，在分布空间直接施加等变约束，方法简单、动机清晰，且在内部消融、外部基线对比和听感测试中都给出了一致验证。问题是训练关键超参数披露不足，batch size和内部模型训练步数均缺失；外部基线在数据、架构、tokenization上与内部模型不完全可比；Top-1/Top-5等变指标又和训练时的KL散度目标高度同源，削弱了“等变正则化全面提升生成能力”这一强声明的独立性。建议作者公开完整训练配置和推理采样参数。 ...

📄 Helping Music Co-Creation Agents ‘Listen’ Well: Hierarchical Self-Supervised World Models for Understanding and Generation 标签：#音乐理解 #自监督学习 #音乐生成 #Transformer #音频理解 7.1/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐理解 | #自监督学习 | #音乐生成 #Transformer | arxiv 👥 作者与机构 第一作者：Scott H. Hawley（Belmont University, Department of Chemistry & Physics） 通讯作者：未说明 作者列表：Scott H. Hawley（Belmont University, Department of Chemistry & Physics） 💡 毒舌点评 论文把“AI 音乐制作人”这种偏产品化的愿景落成一个可验证的自监督符号音乐表征系统，有一个明确且自洽的工程约束：CPU 上也要能实时给出建议。方法上没有范式级突破，但“层级 Swin V2 + JEPA 式目标 + 软因子分解 + 像素空间流匹配”的组合在音乐领域有一定区分度，层级探针结果也基本支撑“时间尺度→表征层级”的核心隐喻。问题在生成侧：只有像素 F1、掩码区密度恢复和延迟指标，没有任何听感、音乐性或用户层面验证，也没有与任何现有音乐生成模型对比，因此“AI Rick Rubin”的生成价值只能算被演示，尚未被证明。此外，探针报告的“最佳层级”是在事后从多个层级中选出的，未做多重比较校正，证据强度偏弱。 ...

📄 Calliphony: A Calligraphy-Driven Interface for Real-Time Generative Music Performance 标签：#音乐生成 #自回归模型 #音频理解 #Transformer #模型评估 5.0/10 | 创新 1/2 | 严谨 1.2/1.5 | 实验 0.2/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.9/1.5 📝 5.0/10 | 后50% | 文档类型：系统技术报告 | 评分置信度：中 | #音乐生成 | #自回归模型 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：Tristan Wu（香港科技大学（广州）） 其他作者：Ruiji Yu（穆罕默德·本·扎耶德人工智能大学）、Gus Xia（穆罕默德·本·扎耶德人工智能大学） 注：论文脚注标注"Both authors contributed equally to this research."，Tristan Wu 和 Ruiji Yu 为共同贡献作者。 💡 毒舌点评 这篇论文把毛笔变成了AI音乐生成器的遥控器，想法本身充满了文化趣味和舞台想象力。但整个工作更像一个炫酷的艺术装置文档，而非经得起推敲的顶会论文。对于"实时表演"系统最关键的端到端延迟——一个字都没提，这让"低延迟流水线"的核心声明彻底悬空。评估上更是坦率到近乎"躺平"：只有一场五分钟的即兴表演和几句观众闲聊，还自己声明这"不构成用户研究"。这种坦诚虽然可贵，但也坐实了系统仍停留在概念验证阶段，离"可靠的表演级系统"还有相当距离。 ...

📄 Learning Music Style for Piano Arrangement Through Cross-Modal Bootstrapping 标签：#音乐生成 #对比学习 #音频理解 #Transformer #模型评估 6.6/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 0.9/1.5 ✅ 6.6/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐生成 | #对比学习 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：Jingwei Zhao（纽约大学上海，New York University Shanghai） 通讯作者：未说明 作者列表：Jingwei Zhao（纽约大学上海）、Gus Xia（纽约大学上海）、Ziyu Wang（纽约大学上海）、Ye Wang（新加坡国立大学，National University of Singapore） 💡 毒舌点评 这篇文章构思巧妙，借鉴 BLIP-2 的 Q-Former，在音频大模型和符号音乐大模型之间架设了一座“风格桥梁”，试图捕获文字标签难以涵盖的隐含演奏风格。这一方向很有吸引力，技术框架的思路也清晰。但论文的软肋在于核心宣称——“风格解耦”——缺乏最直接、最过硬的证据。评估依赖的律动和力度指标，测的是与人类编曲的相似度，并不等同于证明风格与内容在表示空间中被干净地分离了；没有特征空间的可视化分析，没有互换风格/内容的生成对比，也没有量化内容信息在风格嵌入中的残留。这让“disentangle”一词显得像是一个过于乐观的自我评价。此外，主观测试样本量偏小且仅评“最佳生成结果”，高估了日常表现。加之无开源代码和模型，这项工作目前更像一个富有启发性的概念验证，而非经过严格检验的成熟方法。 ...

📄 Improved Robustness in AI-Generated Music Detection 标签：#音频伪造检测 #CNN #鲁棒性 #可解释性 #音乐生成 8.0/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.9/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 1/1.5 🔥 8.0/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频伪造检测 | #CNN | #鲁棒性 #可解释性 | arxiv 👥 作者与机构 第一作者：Emile Dugelay（未说明） 通讯作者：未说明 作者列表：Emile Dugelay（Deezer Research）、Thomas Barand（Deezer Research）、Baptiste Campeas（Deezer Research）、Aurélien Laouar（Deezer Research）、Darius Afchar（Deezer Research）、Romain Hennequin（Deezer Research） 💡 毒舌点评 这篇论文用一个漂亮的对数频率重映射把速度变化攻击转化成了平移不变性问题，轻量架构的鲁棒性是“长”在骨头里的，比“遇事不决就做数据扩增”的套路确实高明一个段位。但它目前只是把速度缩放这一把刀给挡了，对均衡器、动态压缩、有损转码等其他常见的音频“化妆术”视而不见，等于穿了件只能防劈砍、却怕刺戳的铠甲。此外，模型紧耦合于生成器的转置卷积指纹，换个没有这种梳状伪影的生成器架构就得歇菜，跨生成器的通用性几乎为零。 ...