MusicLM

MusicLM 是由 Google 研究团队（包括 Andrea Agostinelli、Timo I. Denk、Zalán Borsos 等）开发的一款 AI 音频生成模型。它能够根据文本描述（如“欢快的爵士乐”或“带有钢琴伴奏的宁静氛围”）直接生成高保真、时长可达数分钟的音乐片段。其核心功能是将自然语言提示转化为完整的音乐作品，支持多种乐器、风格和情绪的组合。

MusicLM 主要适用于以下场景：1）内容创作者为视频、播客或游戏快速生成定制背景音乐；2）音乐人获取创作灵感或生成 demo 片段；3）研究人员探索文本到音频的生成技术。它不适用于需要精确乐谱编辑或实时交互演奏的专业音乐制作流程，但可以作为创意辅助工具。

MusicLM 采用分层序列到序列的建模方法，能够生成 24kHz 采样率的高质量音频，并保持音乐的长时结构一致性。其技术亮点包括：支持细粒度文本控制（如指定乐器、节奏、情绪），以及通过 MuLan 音频-文本联合嵌入模型实现跨模态对齐。相比早期音频生成模型，它在生成音乐的复杂度和保真度上有显著提升，但生成速度较慢，且对计算资源要求较高。