MeloDISinger：基于音频填充的旋律感知与时长保持歌声编辑模型

基于文本的歌声编辑（SVE）旨在修改演唱歌词，同时保留原始旋律、总时长以及未编辑区域。本文提出 MeloDISinger，一种基于流匹配（flow-matching）的 SVE 模型，用于旋律感知且保持时长的编辑。其核心模块 MeloDRP 预测固定预算的时长比例，实现显式的跨度级时长控制。对于旋律感知的时长分配，MeloDRP 通过交叉注意力将语音线索与伪 MIDI 旋律上下文相融合，而时间重叠监督则鼓励柔性的音素—音符对应。我们进一步使用流匹配 mel 解码器进行音频填充，以合成编辑区域同时保留周边上下文。此外，我们引入一种基于 WhisperX 和 LLM 的时长感知编辑歌词生成流程，以构建可行的评估场景。实验表明，在客观与主观评价中均取得了最先进的性能。