腾讯AI Lab于6月16日正式开源了其音乐生成大模型SongGeneration。该模型旨在解决当前AI音乐生成（AIGC）领域普遍面临的三大核心挑战：音质表现、音乐性（旋律、结构、和谐度）和生成速度，并取得了显著突破。基于创新的LLM-DiT融合架构，SongGeneration在保持高效生成的同时，显著提升了输出音乐的质量，其表现媲美甚至超越部分商业闭源模型，并在多个关键维度上优于现有主流开源模型。
腾讯AI Lab开源音乐大模型SongGeneration
核心亮点与技术突破：
- 卓越性能表现：
- 评测领先： 在与中国传媒大学联合进行的全方位评测中（涵盖客观工具分析与专业+普通用户主观聆听），SongGeneration在开源模型中稳居第一。在主观评测的歌词准确度(LYC)上甚至超越了包括Suno v4.5在内的商业模型。
- 比肩商业模型： 在旋律(MEL)、伴奏(HAM)、音质(AQ)、结构(SSC)和整体表现(OVL)等核心音乐性维度上，其表现与顶级商业模型Suno v4.5难分伯仲，在制作质量(PQ)、内容欣赏度(CE)和内容实用性(CU)等客观指标上也位列前茅。
- 强大且易用的功能：
- 文本控制： 用户输入关键词（如“开心 流行”、“激烈 摇滚”）即可生成高质量完整音乐。
- 风格跟随： 上传10秒以上参考音频，模型能生成风格一致的全长新曲，覆盖流行、摇滚、中国风、“神曲”等多种流派。
- 多轨生成： 自动生成分离的人声与伴奏轨道，保证旋律、结构、节奏与配器的高度匹配。
- 音色跟随： 基于参考音频实现“音色克隆”级别的人声表现，听感自然，情感表达力强。
- 关键技术突破：
- 超低比特率音乐编解码(0.35kbps @25Hz)： 业内开源最低码率/比特率，可将48kHz双通道音乐压缩成极低维度的离散表征，实现高保真还原，极大减轻后续语言模型预测压力。创新支持“混合轨道”和“双轨道”两种编码模式，分别优化整体和谐度与细节清晰度。
- “混合优先，双轨其次”并行预测： 首创策略，先用语言模型预测混合token（指导整体结构），再用扩展解码器并行建模人声和伴奏token，有效解决双轨不和谐问题，避免序列长度倍增。
- 多维度人类偏好对齐(业内首个)： 创新性地解决音乐数据质量不均和标注不可靠问题。提出低成本半自动方法构建大规模偏好数据对，聚焦音乐性、歌词对齐、提示一致性三大偏好维度，并采用基于插值的DPO进行优化对齐。
- 三阶段训练范式： 包含预训练、模块化扩展训练（解冻扩展模块学习双轨细节）、多偏好对齐训练，有效提升模型能力并保留预训练知识。
- 应用前景广阔：
模型兼具C端可玩性与B端稳定性及拓展性，可广泛应用于：
开源与体验：
腾讯AI Lab已全面开放SongGeneration：
- 模型权重 & 代码： GitHub仓库 (
https://github.com/tencent-ailab/SongGeneration) - 技术论文： arXiv (
https://arxiv.org/abs/2506.07520) - 在线体验： Hugging Face Spaces (
https://huggingface.co/spaces/tencent/SongGeneration) - 模型主页： Hugging Face (
https://huggingface.co/tencent/SongGeneration)
总结：
腾讯AI Lab开源的SongGeneration音乐大模型，凭借其在音质、音乐性、速度上的显著突破，以及文本控制、风格跟随、多轨生成、音色克隆等强大功能，为AI音乐生成领域树立了新的标杆。其全面的开源策略，让开发者、音乐爱好者和相关产业都能便捷地使用这一先进工具，真正朝着“人人皆可创作音乐”的未来愿景迈进。
版权声明：AI工具箱导航 发表于 2025-06-20 13:13:00。
转载请务必标明出处：腾讯AI Lab开源音乐大模型SongGeneration：攻克音质、音乐性、速度三大难题，人人皆可创作 | AI工具箱导航
转载请务必标明出处：腾讯AI Lab开源音乐大模型SongGeneration：攻克音质、音乐性、速度三大难题，人人皆可创作 | AI工具箱导航
