SongBloom：革命性歌曲生成框架深度解析——如何通过交织自回归与扩散模型创作完整音乐

SongBloom：革命性歌曲生成框架深度解析——如何通过交织自回归与扩散模型创作完整音乐

【免费下载链接】SongBloomThe official code repository for SongBloom: Coherent Song Generation via Interleaved Autoregressive Sketching and Diffusion Refinement项目地址: https://gitcode.com/gh_mirrors/so/SongBloom

SongBloom 是一款突破性的歌曲生成框架，它通过交织自回归草图绘制与扩散模型优化的创新范式，实现了完整音乐作品的高质量创作。该框架将扩散模型的高保真度与语言模型的可扩展性完美结合，为音乐创作领域带来了全新的可能性。

🎵 核心技术架构：双引擎驱动的音乐创作

SongBloom 的核心优势在于其独特的双引擎架构，将自回归生成与扩散模型优化有机结合，实现了从粗略到精细的音乐创作过程。

SongBloom 交织自回归与扩散模型的架构示意图，展示了从歌词和参考音频到完整音乐生成的全过程

自回归草图生成（Autoregressive Sketching）

框架的左侧部分展示了自回归生成流程，通过 Transformer 解码器将歌词（Lyrics）和参考音频（Reference Audio）转化为音乐草图。这一过程中：

• 条件令牌（Condition Token）：接收歌词和音频风格输入
• 草图令牌（Sketch Token）：生成音乐的基本结构和旋律走向
• 声学令牌（Acoustic Token）：添加音色和表现力细节
• 隐藏向量（Hidden Vector）：连接不同层次的特征表示

自回归模型逐步将音乐从短片段扩展为完整长度，确保了音乐结构的连贯性和逻辑性。

扩散模型优化（Diffusion Refinement）

框架右侧展示了扩散模型优化流程，通过以下组件实现音质提升：

• VAE（变分自编码器）：负责将音频信号转换为潜在空间表示
• DiT（扩散Transformer）：对潜在空间中的音频特征进行精细化处理
• 噪声注入与去除：通过逐步去噪过程优化音频质量

这一过程确保了最终生成的音乐具有极高的保真度和专业级音质。

🚀 快速上手：从零开始的音乐创作之旅

环境准备

SongBloom 提供了简单易用的环境配置流程，即使是新手也能快速搭建创作环境：

conda create -n SongBloom python==3.8.12 conda activate SongBloom pip install -r requirements.txt

数据准备

创作音乐需要准备一个 JSONL 格式的输入文件，包含歌词和参考音频路径：

{ "idx": "样本索引", "lyrics": "要生成的歌词", "prompt_wav": "风格参考音频路径" }

项目中提供了示例文件：example/test.jsonl，参考音频应为 10 秒、48kHz 的音频片段。

歌词格式指南

歌词需要遵循特定的格式规范，包含 vocal 和 non-vocal 部分：

• Vocal 部分：需以[verse]、[chorus]或[bridge]开头，后跟歌词文本
• Non-vocal 部分：使用[intro]、[inst]或[outro]表示，可重复多次以控制时长
• 分隔符：使用句号 (".") 分隔句子，逗号 (",") 分隔不同段落

详细格式说明可参考：docs/lyric_format.md

一键生成音乐

完成准备后，只需一条命令即可生成完整音乐：

source set_env.sh python3 infer.py --input-jsonl example/test.jsonl

对于低显存 GPU（如 RTX4090），可使用半精度模式减少内存占用：

python3 infer.py --input-jsonl example/test.jsonl --dtype bfloat16

🎼 模型选择：满足不同创作需求

SongBloom 提供了多种预训练模型，满足不同场景的创作需求：

其中，150s 系列模型中，每个[intro]、[outro]和[inst]对应 1 秒时长；而 240s 系列模型中，每个令牌对应 5 秒时长。

💻 高级配置：针对不同硬件优化

Mac Silicon 用户

Apple 芯片用户需设置以下环境变量：

export PYTORCH_ENABLE_MPS_FALLBACK=1 export DISABLE_FLASH_ATTN=1

加载模型时显式指定 MPS 设备并使用 float32：

import torch device = torch.device('mps') model = SongBloom_Sampler.build_from_trainer(cfg, strict=False, dtype=torch.float32, device=device)

启用 Flash Attention

对于支持 Flash Attention 的 GPU，可通过以下方式加速生成过程：

1. 安装 flash-attn (v2.6.3)
2. 在 infer.py 第 8 行设置：os.environ['DISABLE_FLASH_ATTN'] = "0"

📚 总结：开启 AI 音乐创作新纪元

SongBloom 通过创新的交织自回归与扩散模型架构，彻底改变了 AI 音乐创作的方式。无论是音乐爱好者、内容创作者还是专业音乐人，都能通过这一强大工具释放创作灵感，轻松生成高质量的完整歌曲。

随着项目的不断更新，SongBloom 持续优化模型性能，降低内存消耗，让更多人能够体验 AI 音乐创作的乐趣。现在就开始你的音乐创作之旅，用 SongBloom 编织属于你的旋律吧！

🔗 相关资源

• 许可证信息：LICENSE
• 模型架构代码：models/songbloom/
• 歌词处理模块：g2p/
• 推理脚本：infer.py

【免费下载链接】SongBloomThe official code repository for SongBloom: Coherent Song Generation via Interleaved Autoregressive Sketching and Diffusion Refinement项目地址: https://gitcode.com/gh_mirrors/so/SongBloom