音樂生成深度學(xué)習(xí)模型StemGen：聽取音樂上下文生成音樂作品

　　字節(jié)跳動(dòng)AI研究團(tuán)隊(duì)最近推出了一項(xiàng)名為StemGen的音樂生成項(xiàng)目，該項(xiàng)目采用了一種創(chuàng)新的深度學(xué)習(xí)方法，旨在讓模型能夠模仿現(xiàn)有音樂中的模式和結(jié)構(gòu)，并以一種非常前衛(wèi)的方式回應(yīng)音樂背景。與常用的深度學(xué)習(xí)技術(shù)(如RNN、LSTM網(wǎng)絡(luò)和Transformer模型)不同，StemGen采用了一種非自回歸、基于Transformer的模型，強(qiáng)調(diào)對音樂背景的聽取和響應(yīng)，而不是依賴于抽象的條件。

　　研究中，來自SAMI和字節(jié)跳動(dòng)公司的研究人員引入了一種非自回歸、基于Transformer的模型，該模型通過利用MusicGen模型的公開可用的Encodec檢查點(diǎn)來監(jiān)聽和響應(yīng)音樂背景。通過使用標(biāo)準(zhǔn)度量和音樂信息檢索描述符方法，包括Frechet Audio Distance(FAD)和Music Information Retrieval Descriptor Distance(MIRDD)，研究團(tuán)隊(duì)評(píng)估了模型的性能。結(jié)果顯示，該模型在音頻質(zhì)量和與音樂背景的穩(wěn)健對齊方面表現(xiàn)出競爭性，經(jīng)過客觀度量和主觀MOS測試的驗(yàn)證。

　　這項(xiàng)研究強(qiáng)調(diào)了最新在端到端音樂生成方面的進(jìn)展，借鑒了圖像和語言處理的技術(shù)。它強(qiáng)調(diào)了在音樂創(chuàng)作中對音頻片段進(jìn)行對齊的挑戰(zhàn)，并對現(xiàn)有依賴于抽象條件的模型提出了批評(píng)。研究提出了一種訓(xùn)練范式，使用了一種非自回歸、基于Transformer的架構(gòu)，使模型能夠?qū)σ魳繁尘白龀鲰憫?yīng)。該方法引入了兩個(gè)條件源，并將問題框架構(gòu)建為條件生成。

　　該方法利用了一種非自回歸、基于Transformer的音樂生成模型，通過在單獨(dú)的音頻編碼模型中引入殘差向量量化器。通過將多個(gè)音頻通道組合成一個(gè)單一的序列元素，采用了嵌套的方法。訓(xùn)練過程中采用了掩碼程序，并在進(jìn)行令牌采樣期間使用了無分類器的指導(dǎo)，以增強(qiáng)音頻背景的對齊�？陀^度量包括Fr’echet Audio Distance和音樂信息檢索描述符距離等，用于評(píng)估模型的性能。

　　研究團(tuán)隊(duì)通過使用標(biāo)準(zhǔn)度量和音樂信息檢索描述符方法進(jìn)行生成模型的評(píng)估，包括FAD和MIRDD。與真實(shí)音頻片段的比較表明，該模型在音頻質(zhì)量上達(dá)到了與最先進(jìn)的文本條件模型相媲美的水平，并展現(xiàn)出與音樂背景的強(qiáng)大音樂連貫性。通過參與音樂培訓(xùn)的參與者進(jìn)行的Mean Opinion Score測試進(jìn)一步驗(yàn)證了該模型生成逼真音樂結(jié)果的能力。MIRDD對生成和真實(shí)音頻片段的分布對齊進(jìn)行評(píng)估，提供了音樂連貫性和對齊的度量。

　　總的來說，這項(xiàng)研究提出了一種新的訓(xùn)練方法，使生成模型能夠?qū)σ魳繁尘白龀鲰憫?yīng)。該方法引入了一種非自回歸語言模型，具有Transformer骨干和兩個(gè)未經(jīng)測試的改進(jìn):多源無分類器的指導(dǎo)和迭代解碼過程中的因果偏差。通過在開源和專有數(shù)據(jù)集上進(jìn)行訓(xùn)練，這些模型實(shí)現(xiàn)了最先進(jìn)的音頻質(zhì)量。標(biāo)準(zhǔn)度量和音樂信息檢索描述符方法驗(yàn)證了其音頻質(zhì)量。通過Mean Opinion Score測試確認(rèn)了該模型生成逼真音樂結(jié)果的能力。