论文页面 - Qwen-Music 技术报告

来源：https://huggingface.co/papers/2607.11699 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

在本报告中，我们介绍了 Qwen-Music，一个强大的音乐生成模型，能够生成具有完整人声演唱的高音乐性和高保真度的歌曲。Qwen-Music 支持两项核心任务：文本到音乐生成（根据文本描述、歌词和音乐属性创作全新歌曲）以及翻唱歌曲生成（以不同风格和人声特征重新演绎现有歌曲）。在架构上，Qwen-Music 集成了三个核心组件：Qwen-Music-Tokenizer、Qwen-Music-LLM 和 Qwen-Music-Render。Qwen-Music-Tokenizer 将音频压缩为 25Hz 的单码本音乐语义令牌流，保留语义与旋律信息，供 LLM 预测。基于这些令牌，Qwen-Music-LLM 执行自回归音乐语义建模，其关键创新在于一种基于旋律令牌的思维链（Melody-CoT）机制——在生成完整歌曲之前先规划旋律，从而提升创造力、音乐性、结构连贯性，并支持基于参考音频的旋律克隆。为克服离散语义令牌的保真度限制，Qwen-Music-Render 执行生成式立体声渲染，丰富声学细节，生成高保真立体声波形。最后，我们在超过 500 万小时的多语言音乐数据上训练 Qwen-Music-LLM，覆盖数百种语言。我们首先应用质量感知的预训练课程，然后采用渐进式后训练（包括监督初始化、离线 DPO 和在线 GSPO），进一步提升音乐性和指令遵循能力。在 600 个中文和英文提示的评估中，Qwen-Music 在 16 项客观音乐性与音频质量指标中的 13 项上达到了最先进水平。专业评估人员也更偏爱 Qwen-Music 而非领先的专有系统。在翻唱歌曲生成中，Qwen-Music 相比领先专有系统能更准确地保留参考旋律。

查看 arXiv 页面 (https://arxiv.org/abs/2607.11699)查看 PDF (https://arxiv.org/pdf/2607.11699)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.11699)

在您的代理中获取这篇论文：

hf papers read 2607\.11699

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

引用此论文的模型0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2607.11699 即可从本页面链接该论文。

引用此论文的数据集0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2607.11699 即可从本页面链接该论文。

引用此论文的 Space0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2607.11699 即可从本页面链接该论文。

包含此论文的收藏集0

没有包含此论文的收藏集

将这篇论文添加到一个收藏集 (https://huggingface.co/new-collection) 即可从本页面链接它。