💡 站外导读：随着AIGC技术的爆发，AI音乐生成正从“玩具”走向实用工具，但如何生成结构完整、音质卓越的全长度歌曲仍是巨大挑战。腾讯AI Lab最新推出的SongBloom框架，通过创新的“交错生成”技术，结合自回归与扩散模型，一举解决了这一痛点。用户只需提供10秒样本和歌词，就能获得长达2分30秒的专业级歌曲，这标志着AI音乐创作进入了新的实用化阶段。

SongBloom 是腾讯 AI Lab 开发的全长度歌曲生成框架，结合了自回归草图绘制和基于扩散的细化技术，通过交错生成范式（Interleaved Generation）交替生成语义和声学上下文，生成高质量的完整歌曲。模型只需输入 10 秒音频样本和对应歌词，即可生成长达 2 分 30 秒的双通道、48kHz 音频。SongBloom 在音频质量和歌词准确性方面表现出色，接近领域最佳水平（SOTA），已成功开源。

SongBloom的主要功能

• 高效歌曲生成：仅需 10 秒音频样本和对应歌词，即可生成长达 2 分 30 秒的完整歌曲，支持双通道、48kHz 高质量音频输出。

• 创新生成范式：采用交错生成范式，结合自回归草图绘制和基于扩散的细化技术，交替生成语义和声学上下文，优化歌曲整体结构和音质。

• 卓越音质与准确性：在音频质量和歌词准确性方面表现出色，接近领域最佳水平（SOTA），超越现有开源模型。

• 开源与易用性：项目已开源，提供详细的使用指南和多种模型版本，支持低显存设备运行，方便用户快速上手。

• 广泛的应用前景：为音乐创作、音频制作等领域提供了强大的工具，能够显著提升创作效率，激发音乐创作的新灵感。

SongBloom的技术原理

• 交错生成范式：通过交替生成语义和声学上下文，动态切换生成过程，优化歌曲整体结构和音质。

• 自回归草图绘制：利用自回归模型生成音乐草图，确保结构连贯性和音素对齐。

• 扩散模型细化：结合扩散模型对生成的草图进行高保真细化，提升音频质量。

• 离散与连续输出结合：使用离散的 sketch token 和 VAE latent 输出最终结果，兼顾结构和音质。

• 多模态输入融合：输入包含歌词和音频样本，模型通过多模态融合实现精准生成。

SongBloom的项目地址

• Github仓库：https://github.com/tencent-ailab/SongBloom
• HuggingFace模型库：https://huggingface.co/CypressYang/SongBloom
• arXiv技术论文：https://arxiv.org/pdf/2506.07634
• 在线体验Demo：https://cypress-yang.github.io/SongBloom_demo/

SongBloom的应用场景

• 音乐创作：为音乐人和创作者提供灵感，快速生成高质量的歌曲基础框架，帮助他们探索新的音乐风格和创作方向。

• 音频制作：在影视、游戏、广告等行业的音频制作中，用于快速生成背景音乐或主题曲，提升制作效率。

• 教育领域：作为音乐教育工具，帮助学生理解音乐结构和创作过程，激发学习兴趣。

• 娱乐产业：在社交媒体、短视频等平台，为用户生成个性化的音乐内容，增强互动性和趣味性。

• 商业应用：为企业和品牌生成定制化的音乐，用于产品推广、活动宣传等，提升品牌影响力。