研究人员开发了一种新颖的评分感知训练方法，以改进文本到音乐生成，尤其是在处理有限数据时。该技术利用音频-字幕对齐分数作为直接监督信号，重新利用得分较低的片段进行训练。该系统名为FluxAudio，还采用了片段级过滤和两阶段字幕生成过程来提高性能。该模型拥有4.5亿参数，已提交至ICME 2026 ATTM Grand Challenge，在客观评估中排名第二，在效率赛道中排名第三。 AI
影响 这种评分感知训练方法可以实现更高效的文本到音乐模型的开发，减少对海量数据集的依赖。
排序理由 该集群包含一篇详细介绍文本到音乐生成新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.07387v1 Announce Type: new Abstract: State-of-the-art text-to-music generation systems rely on massive proprietary datasets and industrial-scale compute, making it impossible to disentangle architectural contributions from resource advantages. We propose \textit{score-…
State-of-the-art text-to-music generation systems rely on massive proprietary datasets and industrial-scale compute, making it impossible to disentangle architectural contributions from resource advantages. We propose \textit{score-aware training}, which treats audio-caption alig…