JukeBox

我们介绍了Jukebox，这是一种在原始音频域中通过唱歌生成音乐的模型。我们使用多尺度vq-vae来处理原始音频的长上下文，将其压缩为离散代码，并使用自回归转换器对其进行建模。我们表明，大规模的组合模型可以生成高保真和多样化的歌曲，其连贯性长达几分钟。我们可以根据艺术家和流派来控制音乐和人声风格，并根据不一致的歌词来使演唱更加可控。我们正在发布数千个非樱桃挑选的样本，以及模型权重和代码。