Mustango:結(jié)合擴(kuò)散模型， 提高文本生成音樂質(zhì)量

　　在文本到音樂合成領(lǐng)域，生成內(nèi)容的質(zhì)量一直在提高，但對音樂方面的可控性仍未得到探索。新加坡科技與設(shè)計大學(xué)和倫敦瑪麗女王大學(xué)的研究人員提出了一個名為 Mustango 的解決方案，它擴(kuò)展了 Tango 文本到音頻模型，旨在通過豐富的說明來控制生成的音樂，這些說明包含與和弦、節(jié)拍、速度和鍵相關(guān)的具體指令。

　　研究人員將 Mustango 介紹為一種基于擴(kuò)散模型的音樂領(lǐng)域知識啟發(fā)的文本到音樂系統(tǒng)。他們強(qiáng)調(diào)了從擴(kuò)散模型直接生成音樂所面臨的獨(dú)特挑戰(zhàn)，強(qiáng)調(diào)了在與條件文本對齊和音樂性之間取得平衡的需求。Mustango 使音樂家、制作人和音效設(shè)計師能夠根據(jù)特定條件(如和弦進(jìn)行、速度和鍵選擇)創(chuàng)建音樂片段。

　　作為 Mustango 的一部分，研究人員提出了 MuNet，即音樂領(lǐng)域知識啟發(fā)的 UNet 子模塊。MuNet 將音樂專用功能與從文本提示中預(yù)測的功能集成到擴(kuò)散去噪過程中。為了克服現(xiàn)有帶有音樂和文本說明的開放數(shù)據(jù)集的有限可用性，研究人員引入了一種新穎的數(shù)據(jù)增強(qiáng)方法。該方法涉及改變音樂音頻的和諧、節(jié)奏和動態(tài)方面，并使用音樂信息檢索方法提取音樂特征，然后將這些特征附加到現(xiàn)有的文本描述中，從而得到 MusicBench 數(shù)據(jù)集。

　　MusicBench 數(shù)據(jù)集包含超過52，000個實(shí)例，通過將節(jié)拍、下拍位置、基本和弦進(jìn)行、鍵和速度添加到原始文本描述中，豐富了數(shù)據(jù)集。研究人員進(jìn)行了廣泛的實(shí)驗(yàn)，證明了 Mustango 在音樂質(zhì)量方面達(dá)到了最新的水平。他們強(qiáng)調(diào)了 Mustango 通過音樂專用文本提示的可控性，展示了在捕捉多個數(shù)據(jù)集中所需的和弦、節(jié)拍、鍵和速度方面的出色性能。他們評估了這些預(yù)測器在沒有控制句子的情況下的適應(yīng)能力，并觀察到 Mustango 在這種情況下的表現(xiàn)優(yōu)于 Tango，表明控制預(yù)測器不會影響性能。

　　實(shí)驗(yàn)包括與 Tango 和 Mustango 的變體等基線的比較，證明了所提出的數(shù)據(jù)增強(qiáng)方法在提高性能方面的有效性。從頭開始訓(xùn)練的 Mustango 被認(rèn)為是表現(xiàn)最好的模型，在音頻質(zhì)量、節(jié)奏存在和諧等方面超過了 Tango 和其他變體。Mustango 擁有14億個參數(shù)，比 Tango 多得多。

　　研究人員將 Mustango 作為文本到音樂合成領(lǐng)域的重要進(jìn)展。他們解決了現(xiàn)有系統(tǒng)中的可控性差距，并通過廣泛的實(shí)驗(yàn)證明了他們提出的方法的有效性。Mustango 不僅實(shí)現(xiàn)了最新的音樂質(zhì)量，還提供了增強(qiáng)的可控性，為該領(lǐng)域的發(fā)展做出了寶貴的貢獻(xiàn)。研究人員發(fā)布了 MusicBench 數(shù)據(jù)集，為未來的文本到音樂合成研究提供了資源。