计算机应用研究

作者：宋子牛,彭春燕,王龙辉,郑钰辉,

单位：青海师范大学a.计算机学院;b.藏语智能全国重点实验室,西宁810000；

关键词：藏族音乐生成,扩散模型,情感引导,tokendrop,self-conditioning,

基金：国家自然科学基金资助项目(62441609,62262056)；青海省重点研发与成果转化项目(2022-GX-155)；；

人工智能技术在音乐创作领域取得了显著进展，但针对藏族音乐自动生成的研究相对匮乏。现有研究在藏族音乐生成中主要面临三个挑战：缺乏特定情感的表达能力、高维特征处理效率低下，以及音乐上下文一致性不足。为解决上述问题，提出一种基于情感引导的扩散模型（emotion-driven diffusion model，EDDM）。该模型基于VAE-diffusion框架，利用变分自编码器提取音源数据关键潜在特征，并在扩散过程中对其进行建模。首先，设计情感特征编码器以提取音乐情感特征，并通过交叉注意力机制将情感特征嵌入到扩散模型中，实现藏族音乐特定情感和风格的精准表达；其次，引入token drop策略过滤冗余特征，提高音乐生成的鲁棒性和多样化；最后，提出self-conditioning机制增强上下文关联，利用上一步信息来指导下一步结果生成，确保音乐生成的一致性。实验结果表明，EDDM在藏族音乐生成任务上效果突出，在客观评价方面，模型在FAD（2.35↓）、JSD（0.08↓）、NDB（18↑）等指标上均优于现有方法；主观评价中，生成的音乐展现出良好的情感表达能力和音乐特征一致性。EDDM在民族音乐自动生成领域具有一定的创新性和应用价值。所生成的部分情感引导的藏族音乐公开在https://szn1998.github.io/。

来源：2025年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第8期