MusiChat: Vibe Composing for Music Creation
MusiChat 是一个对话式人工智能系统，它通过使用一个层级化的可控框架，根据自然语言提示词增量式地细化和转换音乐结构，从而实现协作式、迭代式的音乐创作，克服了传统“提示与再生”范式的局限性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正置身于一个房间里，那里有一支神奇的、隐形的管弦乐队。在过去，如果你想听一首歌，你必须一次性完美地描述它：“演奏一首关于下雨周二的忧伤爵士乐。”如果乐队演奏出的效果你不喜欢，你不能仅仅要求他们修改萨克斯风的独奏；你必须停止音乐，重新描述一整首新歌，然后寄希望于新版本能更好听。这就是大多数现有 AI 音乐工具的工作方式：它们就像一台一次性快门相机，拍下一张照片后，如果你对光影不满意，就必须从头开始。但如果er你能像人类指挥家一样与乐队交谈呢？如果你能说：“保持那种忧郁的情绪和雨声，但让萨克斯风听起来像是在耳语而非呐喊，”而音乐会立即只改变那一部分，会怎样？这就是“氛围作曲”（vibe composing）的世界——一种关于人类与计算机如何共同创作艺术的新思维方式。这种方法不再将音乐视为一个吐出声音的神秘黑盒，而是将其视为一场对话，你可以像编辑故事或绘画一样，一步步地微调、编辑和演化一首歌。
这篇论文介绍了 MusiChat，一个扮演着这种“对话式指挥家”角色的新系统。研究人员发现，通过将歌曲的“骨架”（歌词、基本节奏和旋律结构）与“皮肤”（特定的乐器、风格和华丽细节）分离，他们可以让用户通过聊天来进行精确的修改，而不会破坏整首歌。把这想象成盖房子：大多数 AI 工具如果你想换一下前门的颜色，就会把整座房子拆掉重建。然而，MusiChat 能让你直接走到门口，在保持房屋其他部分完全不变的情况下，给门涂上新的颜色。该系统使用了一个“混合”大脑：一个聪明的语言模型来理解你的话语，以及一个严格的基于规则的引擎来编写实际的音符。这种结合让 AI 既能理解你的“氛围”，又能确保音乐在数学逻辑上是正确且一致的。
在实验中，团队测试了 MusiChat 处理这类对话的能力。他们发现，当用户提出简单的单次修改请求时，系统的成功率约为 95.31%。更令人印象深刻的是，当用户进行多轮对话式的连续修改时——例如“让它变快一点”、“换个调”、“加个鼓点”——系统达到了 100% 的准确率，这意味着它从未丢失之前的指令或搞乱歌曲的结构。当真人聆听这些音乐时，他们喜欢的程度显著高于不喜欢的程度。对于旋律的“自然度”，点赞与点踩的比例为 2:1；对于整体音乐质量，比例则为 3:1。研究表明，这种“氛围作曲”的方法比旧有的直接重新生成整首歌的方法效果更好，因为它保留了你已经喜爱的音乐部分，同时允许你修正那些你不满意的地方。
研究人员还展示了 MusiChat 可以将图片或文字描述转化为歌曲，但真正的魔力在于编辑。如果你有一首歌，想要只改变副歌或者把吉他换成钢琴，你可以做到这一点而不丢失原曲的灵魂。该系统保留了你的对话记录和歌曲当前状态的“记忆”，因此每一次新的请求都是在之前的基础上进行的。这意味着你不需要成为音乐专家也能创作复杂的歌曲；你只需要知道如何描述你想听到的内容。论文总结道，这种方法让音乐创作变得更加平易近人且具有协作性，将原本令人生畏的技术性音乐制作过程，变成了一场与创意伙伴之间有趣的、有来有回的聊天。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。