本文探讨了文本到音频音乐生成模型在长期音乐创作中的应用，特别是桌面角色扮演游戏（TRPG）的原声音乐生成。介绍了Babel Bardo系统，该系统利用大型语言模型将语音转录转换为音乐描述，从而提升音质和故事连贯性。

本文提出了解决视觉讲故事中上下文信息捕捉和视觉变异性挑战的框架，通过预训练模型的泛化能力，仅训练一个轻量级的视觉-语言映射网络，并引入上下文以增强故事连贯性。实验结果表明，该框架生成的故事在多样性、连贯性和信息量上表现良好，具有高趣味性。