DeepRapper 是一种基于 Transformer 的说唱生成系统，可以模拟说唱的韵律和节奏，通过逆向生成具备韵律表现形式的歌词，并在其中插入特殊符号以表现节奏，在宏观和微观层面上评估显示 DeepRapper 生成的歌曲质量高且具有创造性。

Jul, 2021

本文提出一种机制，将两个分别训练的语言模型结合起来，旨在生成符合期望歌曲结构的输出，同时提供丰富的词汇量，从而提高其创造力。

Nov, 2018

本文提出了一种基于序列到序列框架，利用神经编码器和分层解码器，结合自然语言和旋律创作音乐曲调及准确标定的模型，并在 18,451 首流行歌曲中的歌词 - 旋律匹配对上进行了实验，论文通过人工评估证明了模型生成的旋律比基线模型更优秀。

Sep, 2018

本文提出了一种基于分层框架和旋律 - 歌词对齐的歌词生成模型，能够在没有旋律 - 歌词对齐数据的情况下，通过对内容进行控制生成更可唱、更易懂、更连贯和有韵律的高质量歌词。

May, 2023

通过对高质量合成歌词进行综合定量评估，我们基于 LIM2 模型构建的最佳 few-shot 检测器，在区分人工创作和机器生成的内容方面超越了样式和统计方法，并且对新艺术家和模型具有良好的泛化能力，同时有效地检测后期生成的改写。

Jun, 2024

本文提出了一种基于序列生成对抗网络（SeqGAN）的端到端旋律条件歌词生成系统，可以根据输入的旋律生成一行歌词，并对生成的主题或总体主题进行了探究，并证明输入条件不会对评估度量产生负面影响，同时可以产生更有意义的结果。

Oct, 2020

该论文表明了利用分布式表示范式进行音乐挖掘和自然语言处理任务时歌词的优势，并通过使用分布式表示克服了手工特征和歌词被认为是流派和流行度的弱指标两个瓶颈。

Jan, 2019

生成诗歌或歌词涉及到几个创作因素，而其中一个具有挑战性的方面是对较严格的韵律和押韵模式的遵循。为了解决这一挑战，之前的工作主要集中在逆向语言建模上，我们提出了一种新的微调方法，通过将押韵的词语放在每个歌词的开头，使关键的押韵决策可以在模型承诺歌词内容之前进行，与常规的预训练语言模型的词序兼容。我们进行了广泛的实验，与当前最先进的押韵策略进行了比较，发现我们的方法生成的文本更可读，韵律能力更好。此外，我们提供了一个高质量的英文和其他 12 种语言的数据集，分析了该方法在多语言环境中的可行性，提供了大量实验结果，阐明了歌词生成的良好和不良实践，并提出了比较方法的度量标准。

May, 2024

本文探讨了基于神经语言模型和音节的诗歌生成问题，在 Dante Alighieri 的作品中进行了实验分析，结果表明生成的三行诗在句法、语法和诗歌风格上与 Dante 的真正作品相差不大。

Aug, 2019

本文提出了一种可控的中文歌词生成和编辑系统 SongRewriter，使用随机化的多级掩码策略进行训练，包括新歌词生成和现有歌词片段编辑，加入关键词提示和新的解码约束，提高了词汇选择的控制性以及末韵和内韵方案的灵活性。同时，提出了三个新的歌词押韵评估度量标准，并通过自动和人工评估表明，该模型在内容和韵律质量方面优于现有模型。

Nov, 2022