用于原始音乐生成的渐进式蒸馏扩散模型

本文旨在将一种新的深度学习方法应用于生成原始音频文件的任务。该方法基于扩散模型，一种近期的深度生成模型。这类新方法在图像生成中已展现出卓越成果，并受到计算机视觉界的广泛关注。另一方面，极少有研究关注其他类型的应用，例如波形域的音乐生成。本文实现了应用于音乐的无条件生成模型：采用一维 U-Net 的渐进式蒸馏扩散（Progressive distillation diffusion）。随后，给出了扩散不同参数及其在完整结果中取值的比较。通过本工作所实现的方法的一大优势在于，模型能够处理渐进式音频处理与生成，使用从 1 通道 128×384 到 3 通道 128×128 梅尔频谱图（mel-spectrograms）的变换以及循环生成。实证比较在多个自行收集的数据集上完成。