注目★★★★★Hugging Face Papers
StepAudio 3 Music、5分30秒の音楽生成を実現
30秒で把握
- 1StepFun が StepAudio 3 Music 発表、最大5分30秒の長尺生成に対応
- 250Hz・65,536コードブックとDiTで48kHz音声を生成
- 3ABC-CoTで和声・リズム・旋律を計画しQuality Elo 1105を獲得
要約
StepFun は長尺音楽生成モデル StepAudio 3 Music を発表し、明示的な音楽構成計画とオープンドメインのテキスト制御に対応した。音声を50Hz・65,536エントリの単一コードブックで表現し、DiTがVAE潜在表現を予測して48kHz音声に変換する。ABC記譜法による中間アレンジ計画で和声・リズム・旋律を生成コンテキストに組み込み、楽曲・インストゥルメンタル、ボーカルからの伴奏、カバー曲を最大5分30秒生成できる。DPO学習後のモデルは複数のAudioBox評価とMuQ-MuLan類似度で最高スコアを獲得し、Music Arena VocalsではQuality Elo 1105でSuno V5.5とMurekaに次ぐ結果だった。
あなたへの影響
音楽生成基盤を評価する日本の開発チームは、ABC-CoTによる計画性、最大5分30秒の生成、48kHz出力を検証対象に含めるべきです。
推奨：公開範囲や推論要件は本文だけでは確定しないため、導入前にモデル提供形態とライセンスを確認してください。