联合离散与连续建模的高保真歌曲生成
用VQ token规划结合连续语义流模型提升整首歌生成质量。
为什么重要
为歌词与风格到整首歌生成提供了兼顾规划与细节的建模方案。
阅读原文arxiv.org
AI 解读（根据原文生成）
论文提出用于高保真歌曲生成的联合离散与连续建模方法。系统用 VQ tokenizer 为自回归规划提供离散 token，并用单独训练的 SSL-derived variational encoder 提供连续语义目标；在完成 token 计划和规划器预测状态的可微读出条件下，全序列 flow model 生成用于声学渲染的语义特征。实验在 192 个共享提示上显示，48D 配置相对离散基线提升 SongEval、降低 micro-PER，并获得更高专家听评。论文已在 arXiv 提供。
要点（AI 据原文整理，数字均已与原文核对）
- On 192 shared prompts, its 48D configuration improves SongEval from 4.152 to 4.269.
- On 192 shared prompts, its 48D configuration reduces micro-PER from 20.26% to 14.47% relative to a discrete baseline.