为什么扰动符号音乐是必要的：通过联合概率扩散模型拟合从未使用音符的分布
内容提要
本文介绍了一种基于离散扩散模型（D3PMs）生成多声部符号音乐的方法，强调其高质量和灵活性。该方法结合变分自编码器和扩散模型，能够生成特定作曲家风格的音乐，并实现情感控制。此外，研究展示了通过分层语言模型生成完整音乐作品的能力，提升了音乐生成的可控性和质量。
延伸解读
离散扩散模型在符号音乐生成中的优势
文章指出，基于离散扩散模型（D3PMs）的方法在符号音乐生成中表现出高质量和灵活性。与自回归语言模型相比，离散扩散模型直接对离散符号进行操作，避免了连续嵌入的转换，从而在无条件生成和条件填充任务中更具可行性。这为符号音乐生成提供了新的技术路径。
风格与情感控制的具体实现
通过结合预训练变分自编码器和扩散模型，该方法能够生成特定作曲家风格的音乐，准确率达到72.36%。此外，将扩散模型与生成对抗网络结合，可以控制生成具有特定情感的符号音乐，并大幅提升计算效率。这些技术使得音乐生成在风格和情感上更具可控性。
分层语言模型与完整作品生成
文章介绍了利用分层语言模型生成完整音乐作品的方法。通过级联扩散模型训练分层语言模型，能够生成具有可识别的全局歌词-副歌结构和协调音的完整音乐作品，且音乐质量高于基准模型。用户还可以通过采样或调整外部表示来控制音乐的流动，提升了生成的可控性。
评估与人类感知的关联
文章强调，无法通过量化指标完全评估样本质量。使用现代深度概率生成模型，可以计算音乐输入序列的近似可能性，并发现这种模型能更准确地表示人类听众对音乐的“惊讶”，从而推动对音乐期望和主观喜好的深度生成模型研究。这提示评估音乐生成质量需结合人类感知。
Q&A
离散扩散模型（D3PMs）如何生成多声部符号音乐？
离散扩散模型结合了预训练变分自编码器和扩散模型，能够生成特定作曲家风格的音乐，准确率达到72.36%。
该模型在情感控制方面有什么优势？
该模型能够控制生成具有特定情感的符号音乐，并大幅提升计算效率。
如何通过分层语言模型生成完整音乐作品？
通过级联扩散模型训练分层语言模型，可以生成具有可识别的全局歌词和协调音的完整音乐作品。
该研究如何提升音乐生成的可控性和质量？
研究通过结合现代深度概率生成模型，能够更准确地表示人类听众对音乐的反应，从而提升音乐生成的可控性和质量。
D3PMs与自回归语言模型相比有什么优势？
D3PMs在无条件生成和条件填充结果上表现更强，相比自回归语言模型更具可行性。
该模型如何实现对音乐生成过程的控制？
模型通过词汇先验进行驾驭，提供了可观的控制水平，例如填充时间和音高选择乐器。
