FLUX, das Musik spielt

Dieses Papier untersucht eine einfache Erweiterung des diffusionsbasierten rektifizierten Flusses (rectified flow) für die Text-zu-Musik-Generierung, welche als FluxMusic bezeichnet wird. Im Allgemeinen übertragen wir das fortgeschrittene Flux-Modell in einen latenten VAE-Raum des Mel-Spektrums. Dies umfasst zunächst die Anwendung einer Reihe unabhängiger Aufmerksamkeiten auf den doppelten Text-Musik-Stream, gefolgt von einem gestapelten einzelnen Musik-Stream zur Vorhersage entrauschter Patches. Wir verwenden mehrere vorab trainierte Textencoder, um die semantische Information der Bildunterschriften sowie die Inferenzflexibilität ausreichend zu erfassen. Dazwischen wird grobe textuelle Information zusammen mit Zeitstufen-Einbettungen in einem Modulationsmechanismus genutzt, während feingranulierte textuelle Details mit der Musik-Patch-Sequenz als Eingaben verkettet werden. Durch eine eingehende Studie zeigen wir, dass das rektifizierte Fluss-Training mit einer optimierten Architektur bei der Text-zu-Musik-Aufgabe erheblich besser abschneidet als etablierte Diffusionsmethoden, wie durch verschiedene automatische Metriken und menschliche Präferenzevaluierungen belegt. Unsere experimentellen Daten, Code und Modellgewichte sind öffentlich verfügbar unter: https://github.com/feizc/FluxMusic.