通过评分实现人类可控的长时段歌曲生成——基于分层符号记谱
声音
2025-08-05 v1 人工智能
音频与语音处理
摘要
歌曲生成被视为音乐 AIGC 中最具挑战性的问题，但现有方法仍未完全克服可控性、可泛化性、感知质量和时长四个持久局限。我们认为，这些局限主要源于直接从原始音频学习音乐理论的主流范式——该任务对当前模型而言仍过于困难。为此，我们提出 Bar-level AI Composing Helper (BACH)，首个专为通过人类可编辑符号分数进行歌曲生成而设计的模型。BACH 引入针对层次化歌曲结构的分词策略和符号生成程序，显著提升了歌曲生成的效率、时长和感知质量。实验表明，BACH 虽模型规模小，却在公开报道的所有歌曲生成系统中树立了新 SOTA，甚至超越了如 Suno 等商业解决方案。人类评估进一步确认其在多个主观指标上的优势。
引用
@article{arxiv.2508.01394,
title = {Via Score to Performance: Efficient Human-Controllable Long Song Generation with Bar-Level Symbolic Notation},
author = {Tongxi Wang and Yang Yu and Qing Wang and Junlang Qian},
journal= {arXiv preprint arXiv:2508.01394},
year = {2025}
}