Qwen-Music 技术报告：用“旋律思维链”生成完整人声歌曲

导语

Qwen 团队在 Hugging Face Daily Papers 上提交了《Qwen-Music Technical Report》，介绍了一套面向完整歌曲生成的音乐模型。与只生成伴奏或短音频片段的系统不同，Qwen-Music 的目标是产出包含完整人声演唱、结构更连贯、音质更高的歌曲，并覆盖文本生歌与翻唱生成两类任务。

核心要点

• 两类生成任务：其一是 Text to Music Generation，用户可用文字描述、歌词和音乐属性生成全新歌曲；其二是 Cover Song Generation，即在保留参考歌曲旋律关系的同时，改变风格、人声特征或演绎方式。
• 三段式架构：Qwen-Music-Tokenizer 负责把音频压缩成 25 Hz、单码本的 Music Semantic Tokens，用较紧凑的形式保留语义与旋律信息；Qwen-Music-LLM 在这些 token 上做自回归音乐语义建模；Qwen-Music-Render 则把离散语义结果渲染为更丰富的高保真立体声波形。
• Melody-CoT 机制：报告中最值得注意的创新是基于旋律 token 的“旋律思维链”。模型不是直接从头到尾生成整首歌，而是先进行旋律规划，再扩展为完整歌曲。这一设计被用于提升创造性、音乐性、结构一致性，也有助于基于参考音频进行旋律克隆。
• 大规模多语种训练：Qwen-Music-LLM 使用超过 500 万小时、覆盖数百种语言的音乐数据训练。训练流程包括质量感知的预训练课程，以及由监督初始化、离线 DPO 和在线 GSPO 组成的渐进式后训练，用于增强音乐性与指令跟随能力。

意义与影响

音乐生成模型的难点不只在“听起来像音乐”，还在于旋律、歌词、人声、编曲和整体结构能否长时间保持一致。Qwen-Music 的路线体现了一个趋势：先把音乐抽象为适合语言模型预测的语义 token，再用专门的渲染模块恢复声学细节。这让大语言模型式的规划能力与音频生成的质感需求形成分工。

报告称，在 600 个中英文提示词测试中，Qwen-Music 在 16 项客观音乐性与音频质量指标中的 13 项达到最优；专业评估者也更偏好它相较于领先专有系统的输出。对于翻唱任务，报告还表示它比领先专有系统更准确地保留参考旋律。

不过，素材中并未给出模型权重开放计划，讨论区用户也在询问是否开源。因此，现阶段更适合把它视为一次技术路线展示：如果后续开放模型、接口或更多可复现实验，Qwen-Music 可能会进一步推动 AI 音乐从片段生成走向可控、可演唱、可改编的完整歌曲生产。

来源：Hugging Face Daily Papers