Введение

Недавние достижения в области генеративного ИИ для музыки продемонстрировали впечатляющую точность и стилистическое разнообразие. Однако эти системы часто не соответствуют сложным человеческим предпочтениям из-за специфических функций потерь, которые они используют.

Методы согласования предпочтений

В данной статье мы предлагаем систематическое применение методов согласования предпочтений в генерации музыки, что поможет преодолеть разрыв между вычислительной оптимизацией и человеческим музыкальным восприятием.

Недавние достижения

Мы рассматриваем недавние прорывы, такие как:

• MusicRL: крупномасштабное обучение предпочтениям.
• DiffRhythm+: многоуровневые рамки согласования предпочтений с использованием диффузионной оптимизации.
• Text2midi-InferAlign: методы оптимизации во время вывода.

Уникальные задачи музыки

Мы обсуждаем, как эти технологии могут справиться с уникальными вызовами музыки:

• Временная согласованность.
• Гармоническая последовательность.
• Субъективная оценка качества.

Основные исследовательские задачи

Мы выделяем ключевые исследовательские вызовы, включая:

• Масштабируемость для длинных произведений.
• Надежность в моделировании предпочтений.

Будущее генерации музыки

Смотрим в будущее, мы представляем генерацию музыки, согласованную с предпочтениями, как возможность для трансформационных приложений в интерактивных инструментах композиции и персонализированных музыкальных сервисах. Эта работа подчеркивает необходимость продолжительных междисциплинарных исследований.