文本音乐生成模型中的解释差距
本文研究了GPT-3在通过文本解释来表达音乐决策方面的能力，结果表明GPT-3缺乏理解音乐决策的必要智能，解决该问题的主要障碍是缺乏艺术家创作音乐时解释过程的数据资源。
May, 2022
介绍了一种增加可解释性的音乐生成的潜变量模型，通过潜空间正则化、用户界面反馈循环和音乐属性可视化，实现了模型和生成音乐结果的可解释性和可调试性。
Aug, 2023
提出了MusicRL，这是第一个通过人类反馈进行微调的音乐生成系统，使用强化学习和人类反馈训练MusicRL-R和MusicRL-U模型，结果显示这两种模型在人类评估中优于基线模型，并强调了音乐欣赏中的主观性以及需要进一步引入人类听众在音乐生成模型的微调中。
Feb, 2024
该研究探索生成式人工智能与人类艺术过程相交的关键领域，针对人类为中心的自动歌曲创作中对齐的关系进行研究。通过提出口语描述到歌曲生成的新任务，着重于将生成的内容与口语人类表达相对齐。为了充分满足人类听觉期望并与音乐规范结构对齐的最终目标，该任务旨在弥合口语语言理解和AI模型中的听觉表达之间的鸿沟。通过介绍由专业音乐家和业余爱好者手动注释的Caichong音乐数据集（CaiMD），克服了该领域中数据匮乏的限制。与现有具有专家注释或存在固有偏见的自动生成数据集不同，CaiMD更能满足我们将AI生成的音乐与用户期望结果对齐的目的。此外，提出了一种创新的名为MuDiT/MuSiT的单阶段框架，用于在歌曲创作中实现有效的人机对齐。该框架不仅实现了口语语言与音乐知觉之间的跨模态理解，还确保生成的歌曲与用户期望结果对齐。MuDiT/MuSiT采用一种DiT/SiT模型，用于端到端生成如旋律、和声、节奏、人声和乐器等音乐元素。该方法确保所有生成的音乐元素之间具有和谐的音响连贯性，以更好地与人类听觉期望产生共鸣。
Jul, 2024
本研究探讨了文本到音频和文本到音乐生成工具在可解释性AI背景下的本质，特别关注这些工具在描述音乐时所面临的固有语义差距。通过对这些工具在提示创建、控制、可用性和美学效果等方面的评估，本文提出了对生成AI音乐工具改进的建议，并指出需要关注的关键问题。
Aug, 2024
本研究针对基础模型在音乐领域的应用进行全面回顾，指出现有模型在多样化音乐应用中的局限性和未被充分探索的音乐表示。通过深入探讨模型预训练范式及方法，提出了未来研究应关注的生成理解、医疗应用及伦理问题等重要主题，旨在推动人类与AI在音乐领域的合作发展。
Aug, 2024
本研究填补了音乐领域基础模型（FMs）开发中的空白，强调了音乐表示的不足及其多样应用的局限性。论文提出了一种全面的视角，探讨基础模型在音乐理解、生成和医疗应用中的潜力，并系统分析模型预训练、架构选择和伦理问题。研究的主要发现是促进人机合作发展的重要性，以及未来研究应关注的伦理性和透明性问题。
Aug, 2024
本研究探讨了基础模型在音乐领域的应用，指出当前研究中对音乐表示的开发仍有许多未被探索的方面。通过全面分析预训练模型和架构选择，强调了基础模型在音乐理解、生成和医疗应用中的潜力。研究还关注伦理考量的重要性，为未来音乐领域的人机协作提供了方向。
Aug, 2024
本研究探讨了在基础模型研究进展背景下，音乐生成AI应用的研究空间。文章提出了生成模型的基础表示和可解释性的问题，评估了音乐数据集的现状及其局限性，并探讨了生成模型的应用与版权保护策略。研究为音乐AI领域的未来研究方向提供了重要见解。
Sep, 2024