基于情感引导-扩散模型的藏族音乐生成网络

论文摘要

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仍相对匮乏。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。