论文页面 - Live Music Diffusion Models: Efficient Fine-Tuning and Post-Training of Interactive Diffusion Music Generators

来源：https://huggingface.co/papers/2605.22717 作者：

,

,

,

,

,

,

,

,

,

摘要

音频扩散模型通过高效的逐块处理和新型训练范式，实现了在消费级硬件上的实时性能，从而适用于交互式音乐生成。

交互式流式音乐生成有望利用生成模型（https://huggingface.co/papers?q=generative%20models）实现现场表演和共同创作，这是离线模型无法做到的。然而，当前最先进的模型存在于离散自回归领域，在训练和推理时都需要工业级算力。在这项工作中，我们研究了音频扩散模型（https://huggingface.co/papers?q=audio%20diffusion%20models）——虽然它们在开源社区得到了广泛支持，但具有非流式双向特性——能否被高效地改造成可在消费级硬件上使用的交互式模型。通过批判性地审视现有的逐块外扩扩散（https://huggingface.co/papers?q=block-wise%20outpainting）流程，我们发现了推理过程中的关键低效问题，导致其计算效率严格低于离散自回归同类模型。我们提出了Live Music Diffusion Models（https://huggingface.co/papers?q=Live%20Music%20Diffusion%20Models）（LMDMs），这是对生成扩散过程的一个简单修改，通过逐块 KV 缓存（https://huggingface.co/papers?q=block-wise%20KV%20Caching）恢复并超越离散 Live Music Models（LMMs）的推理复杂度（https://huggingface.co/papers?q=inference%20complexity）。与 LMMs 不同，LMDMs 通过我们新颖的 ARC-Forcing 范式（https://huggingface.co/papers?q=ARC-Forcing%20paradigm）进一步实现了稳定的训练后对齐，无需任何显式的强化学习或奖励模型即可减少误差累积。我们展示了 LMDMs 在多个创意领域的应用，包括文本条件生成、基于草图的音乐合成以及即兴合奏。最后，我们展示了 LMDMs 如何在真实的人机协同创作中作为生成式乐器（https://huggingface.co/papers?q=generative%20instrument），充当“生成式延迟”效果，在消费级游戏笔记本上本地运行时，实时转换音乐家的即兴演奏，以获得可变的音色效果。

查看 arXiv 页面（https://arxiv.org/abs/2605.22717） 查看 PDF（https://arxiv.org/pdf/2605.22717） 项目页面（https://stephenbrade.github.io/lmdm-public/） GitHub5（https://github.com/ZacharyNovack/live-music-diffusion-models） 添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.22717）

在你的智能体中获取此论文：

hf papers read 2605.22717

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

暂无模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.22717 以从此页面链接。

引用此论文的数据集 0

暂无数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.22717 以从此页面链接。

引用此论文的 Space 0

暂无 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.22717 以从此页面链接。

包含此论文的收藏 0

暂无收藏包含此论文

将此论文添加到一个收藏（https://huggingface.co/new-collection）中以从此页面链接。