{"id":1458,"date":"2025-07-05T03:25:21","date_gmt":"2025-07-05T03:25:21","guid":{"rendered":"https:\/\/aicloud.mygptmeta.com\/archives\/1458"},"modified":"2025-07-05T03:25:21","modified_gmt":"2025-07-05T03:25:21","slug":"songgeneration%ef%bc%9a%e5%bc%80%e5%90%afai%e9%9f%b3%e4%b9%90%e5%88%9b%e4%bd%9c%e6%96%b0%e6%97%b6%e4%bb%a3%e7%9a%84%e5%bc%80%e6%ba%90%e5%88%a9%e5%99%a8","status":"publish","type":"post","link":"https:\/\/aicloud.mygptmeta.com\/de\/archives\/1458","title":{"rendered":"SongGeneration: das Open-Source-Tool, das eine neue \u00c4ra der KI-Musikproduktion einl\u00e4utet"},"content":{"rendered":"

Ein neuer Meilenstein in der KI-Musikproduktion<\/h2>\n\n\n\n

Mit der rasanten Entwicklung der Technologie der k\u00fcnstlichen Intelligenz erf\u00e4hrt der Bereich der Musikproduktion einen beispiellosen Wandel. K\u00fcrzlich ver\u00f6ffentlichte das Tencent AI Lab ein Open-Source-Musikgenerierungsmodell namens SongGeneration, eine Innovation, die die Vision \"Jeder kann Musik machen\" technisch unterst\u00fctzt.<\/p>\n\n\n\n

Die herk\u00f6mmliche Musikproduktion erfordert oft professionelle Musikkenntnisse und teure Ausr\u00fcstung, und das Aufkommen von SongGeneration durchbricht diese Schwellen vollst\u00e4ndig. Das Modell ist nicht nur in der Lage, qualitativ hochwertige Musikkompositionen zu erstellen, sondern, was noch wichtiger ist, es steht der gesamten Gesellschaft in Form von Open Source offen, so dass jeder normale Nutzer den Charme der KI-gest\u00fctzten Musikproduktion erleben kann.<\/p>\n\n\n\n

Vor dem Hintergrund der derzeit \u00fcblichen Herausforderungen wie schlechte Klangqualit\u00e4t, mangelnde Musikalit\u00e4t und langsame Generierungsgeschwindigkeit in der Musikgenerierungstechnologie hat SongGeneration diese Schl\u00fcsselprobleme durch seine innovative technische Architektur und Trainingsmethodik erfolgreich gel\u00f6st und damit einen neuen Ma\u00dfstab f\u00fcr den Bereich der Musik-KI gesetzt.<\/p>\n\n\n\n

SongGeneration Modell Erfahrung Adresse:https:\/\/huggingface.co\/spaces\/tencent\/SongGeneration<\/a><\/p>\n\n\n\n

Leistungsstarke Funktionen, die die Musikproduktion zum Kinderspiel machen<\/h2>\n\n\n\n

SongGeneration ist mit vier Kernfunktionen ausgestattet, von denen jede seine technologische Kompetenz im Bereich der Musikgenerierung unter Beweis stellt:<\/p>\n\n\n\n

Intelligente Textsteuerung<\/h3>\n\n\n\n

Die Nutzer m\u00fcssen nur eine einfache Kombination von Schl\u00fcsselw\u00f6rtern eingeben, um ein komplettes Musikst\u00fcck zu erzeugen, das dem gew\u00fcnschten Stil und der gew\u00fcnschten Stimmung entspricht. Wenn der Nutzer beispielsweise \"Happy Pop\" eingibt, erstellt das System automatisch einen Popsong mit einer fr\u00f6hlichen Atmosph\u00e4re; wenn der Nutzer \"Intensiver Rock\" eingibt, wird ein Rockst\u00fcck mit einem starken Rhythmus erzeugt. Diese intuitive Interaktion macht das Erstellen von Musik so einfach wie nie zuvor.<\/p>\n\n\n\n

Pr\u00e4zision nach Stil<\/h3>\n\n\n\n

Mit dieser Funktion k\u00f6nnen Benutzer einen mindestens 10 Sekunden langen Referenz-Audioclip hochladen, den SongGeneration eingehend analysiert und ein neues Musikst\u00fcck mit einem hohen Ma\u00df an Konsistenz erzeugt. Egal, ob es sich um Pop, Rock, chinesische Musik oder einen der verschiedenen \"heiligen\" Stile handelt, das Modell kann deren Wesen genau erfassen und reproduzieren und gleichzeitig sicherstellen, dass die neu generierte Musik eine gute Musikalit\u00e4t aufweist.<\/p>\n\n\n\n

Multi-Orbit-Generationstechnologie<\/h3>\n\n\n\n

SongGeneration erzeugt automatisch getrennte Gesangs- und Backing-Tracks, was f\u00fcr die Musikproduktion von gro\u00dfer Bedeutung ist. Das System gew\u00e4hrleistet ein hohes Ma\u00df an melodischer, struktureller, rhythmischer und orchestraler Abstimmung, was die Nachbearbeitung und Abmischung von Musik erheblich erleichtert.<\/p>\n\n\n\n

F\u00e4higkeit zum Klonen von T\u00f6nen<\/h3>\n\n\n\n

Mit der referenzbasierten Tonfolge kann SongGeneration Gesangsdarbietungen erzeugen, die \"Tonklone\" sind. Die daraus resultierenden Songs klingen nicht nur sehr \u00e4hnlich wie die Referenzaufnahmen, sondern haben auch einen nat\u00fcrlichen Klang und eine hervorragende Klangqualit\u00e4t sowie eine emotionale Ausdruckskraft.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Revolution\u00e4re Technologiearchitektur und innovative Durchbr\u00fcche<\/h2>\n\n\n\n

Die technische Architektur von SongGeneration besteht aus zwei Kernkomponenten, der Datenverarbeitungspipeline und dem generativen Modell, und erreicht durch eine Reihe innovativer Technologien eine hervorragende Leistung.<\/p>\n\n\n\n

Pipeline f\u00fcr die Datenverarbeitung<\/h3>\n\n\n\n

Das Modell stellt ein komplettes Musikdatenverarbeitungssystem dar, das mehrere Schl\u00fcsselmodule wie die Trennung von Audio und Begleitung, die Strukturanalyse und die Erkennung von Liedtexten integriert. Durch diese Pipeline ist das System in der Lage, genau zu extrahieren Liedtext Informationen aus dem rohen Audio, und zur gleichen Zeit erhalten wichtige gekennzeichnete Daten wie Musik-Struktur, Genre-Typ, Klangqualit\u00e4t Ebene, usw., die eine qualitativ hochwertige Datenbasis f\u00fcr die anschlie\u00dfende Modellausbildung bietet.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Codecs mit extrem niedriger Bitrate<\/h3>\n\n\n\n

SongGeneration hat mit der Entwicklung des branchenweit niedrigsten 48kHz-Zweikanal-Musikcodecs mit hoher Qualit\u00e4t f\u00fcr die Open-Source-Modellierung einen bedeutenden Durchbruch auf dem Gebiet der Musikcodecs erzielt. Der Codec erzielt die besten heute verf\u00fcgbaren Musikrekonstruktionsergebnisse bei einer sehr niedrigen Bitrate von nur 25Hz und 0,35kbps, was den Modellierungsaufwand von Sprachmodellen erheblich reduziert.<\/p>\n\n\n\n

Das System verf\u00fcgt \u00fcber zwei Codierungsmodi, Hybrid und Dual: Hybrid-Modi vereinen die Modellierung von Vocals und Backing Vocals, um sicherzustellen, dass sie harmonisch koh\u00e4rent sind, w\u00e4hrend Dual-Modi unabh\u00e4ngig voneinander modelliert werden, um ein klareres Bild der Details zu erhalten.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Parallele Vorhersage von Mehrklassen-Tokens<\/h3>\n\n\n\n

Das Modell ist der Vorreiter einer parallelen Vorhersagestrategie \"zuerst mischen, dann zweispurig\" f\u00fcr mehrere Token-Kategorien. Zun\u00e4chst sagt das Sprachmodell hybride Token voraus, um die Gesamtanordnung der \u00fcbergeordneten Strukturinformationen wie Melodie und Rhythmus zu steuern, und dann modelliert der erweiterte autoregressive Decoder zweispurige Token, um die feink\u00f6rnigen Variationen von Gesang und Hintergrundgesang zu erfassen. Dieses Design erm\u00f6glicht eine parallele Vorhersage, ohne die Sequenzl\u00e4nge signifikant zu erh\u00f6hen, und vermeidet gegenseitige St\u00f6rungen zwischen den Token.<\/p>\n\n\n\n

Multidimensionaler Abgleich menschlicher Pr\u00e4ferenzen<\/h3>\n\n\n\n

SongGeneration ist das branchenweit erste gro\u00dfe Modell f\u00fcr die Musikgenerierung, das die mehrdimensionalen menschlichen Pr\u00e4ferenzen ber\u00fccksichtigt und sich auf drei Dimensionen konzentriert: Musikalit\u00e4t, Textausrichtung und Konsistenz:<\/p>\n\n\n\n

Art der Pr\u00e4ferenz<\/th>Konstruktionsmethoden<\/th>Wirkung<\/th><\/tr><\/thead>
Musikalit\u00e4tspr\u00e4ferenz<\/td>Training von Belohnungsmodellen mit einer kleinen Menge von manuell markierten Bewertungsdaten<\/td>Verbessern Sie die Kunst und das H\u00f6rerlebnis beim Erzeugen von Musik<\/td><\/tr>
Voreinstellungen f\u00fcr die Textausrichtung<\/td>Berechnung der Anzahl von Phonemfehlern mit einem vortrainierten ASR-Modell<\/td>Sicherstellen, dass der Text genau zu dem passt, was gesungen wird<\/td><\/tr>
Pr\u00e4ferenzen f\u00fcr die Konsistenz von Stichworten<\/td>Berechnung der Text-Audio-\u00c4hnlichkeit mit MuQ-MuLan<\/td>Verbesserte Modellkonformit\u00e4t mit Benutzeranweisungen<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Dreistufiges Ausbildungsparadigma<\/h3>\n\n\n\n

Das Modell verwendet eine innovative dreiphasige Trainingsstrategie: eine Vor-Trainingsphase konzentriert sich auf die modale Anpassung verschiedener konditionaler Eingaben an musikalische Repr\u00e4sentationen; eine modulare Erweiterungs-Trainingsphase trainiert Erweiterungsmodule, um eine parallele Modellierung von zweispurigen Tokens zu erreichen; und eine Trainingsphase mit mehreren Pr\u00e4ferenzen integriert menschliche Pr\u00e4ferenzen, um das Modell auf die Erzeugung von Musik zu optimieren, die den menschlichen Pr\u00e4ferenzen entspricht.<\/p>\n\n\n\n