本研究指出，音乐生成模型在全球音乐流派和文化覆盖方面存在不足，仅5.7%的数据来自非西方流派。实验表明，参数高效微调技术能有效缓解这一偏差，强调设计更公平的跨文化音乐语言模型的必要性。

本研究探讨了音乐生成模型训练中未经授权使用版权内容的问题，发现水印技术对模型输出有显著影响，尤其在水印样本比例和模型鲁棒性方面，表明音频水印在保护创作内容方面具有重要潜力。

研究探讨音乐生成模型是否包含西方音乐理论概念。通过SynTheory数据集，提出框架检验模型对音乐理论概念的编码能力。结果显示，模型的大小和层次影响概念的检测，推动音乐生成技术在理论理解和应用方面的进步。

本研究开发了Video2Music生成音乐AI框架，能根据视频生成配套音乐。通过分析音乐视频获取特征，并利用这些特征指导音乐生成模型。实验证明框架能生成与视频情感相符的音乐，音乐质量和音乐与视频匹配质量得到用户研究证实。AMT模型和MuVi-Sync数据集为视频音乐生成任务迈出有希望的一步。