将生成式音乐 AI 与人类偏好对齐：方法与挑战
偏微分方程分析
2025-11-20 v1
摘要
近期生成式 AI 音乐取得了显著的保真度和风格多样性，但这些系统往往因所使用的特定损失函数而无法与细致的人类偏好保持一致。本文倡导系统性地将偏好对齐技术应用于音乐生成，以解决计算优化与人类音乐欣赏之间的根本性差距。drawing on recent breakthroughs including MusicRL's large-scale preference learning, multi-preference alignment frameworks like diffusion-based preference optimization in DiffRhythm+, and inference-time optimization techniques like Text2midi-InferAlign, 我们讨论了这些技术如何解决音乐的独特挑战：时序一致性、和声一致性和主观质量评估。我们确定了包括对长篇作品的可扩展性、可靠性等在内的关键研究挑战。展望未来，我们设想偏好对齐的音乐生成将实现变革性应用，包括交互式作曲工具和个性化音乐服务。本工作呼吁持续的跨学科研究，将机器学习和音乐理论的进展结合起来，创建真正服务于人类创造和体验需求的音乐 AI 系统。
引用
@article{arxiv.2511.15037,
title = {An inverse problem in optimal transport on closed Riemannian manifolds},
author = {Jian Zhai and Kelvin Shuangjian Zhang},
journal= {arXiv preprint arXiv:2511.15037},
year = {2025}
}