MusicLM

MusicLMは、テキストによる説明から高忠実度の音楽を生成するモデルです。階層型のシーケンス・ツー・シーケンスモデリングにより、24 kHzで数分間にわたって一貫性のある音楽を生成します。

生成する音楽はテキストとメロディーの両方を条件にできるため、口笛やハミングによるメロディーを、テキストで指定したスタイルに合わせて変換できます。また、絵画、楽器、ジャンル、音楽経験のレベル、場所、時代の説明から音楽を生成することも可能です。

さらに、同じテキストプロンプトや同じセマンティックトークンから、多様なバージョンを生成できます。