结构化 caption 微调提升音乐生成模型的文本对齐与音质

Junkai Wu 等提出用结构化 caption（SCAPs）微调预训练 flow-based DiT 音乐生成模型，提升文本对齐并改善音质。研究还提出受 Davidsonian Scene Graphs 启发的 Music DSG 评测协议，其忠实度度量与人类偏好的相关性优于 CLAP，论文已投稿 ICASSP 2027。