MIRA智能体优化文本生音乐意图对齐，开源模型媲美商业系统
论文AI 评分 75/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
当前文本生音乐系统常忽略用户隐含意图，单一相关性评分掩盖了配器、节奏等具体需求失败。为此，研究者提出将意图对齐转化为满足可独立验证的评分项，并构建专家标注基准MuRA-Bench。同时推出测试时智能体MIRA，它将请求意图转化为评分项，在有限预算下对黑盒生成器进行提示词搜索，迭代生成并验证，利用反馈引导轨迹感知树搜索。实验表明，该智能体提升了意图对齐度，使开源生成器性能达到Suno等商业系统水平。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载生音乐意图对齐痛点
现有文本生成音乐系统虽能产出逼真音频，但全局文本音频相关性评分无法衡量结果是否契合用户意图。对于缺乏明确细节的提示词，单一评分会掩盖配器、结构、节奏或情绪演进等特定需求的失败，导致评估缺乏诊断性。
MuRA-Bench基准与评估
为填补评估空白，研究将意图对齐定义为满足由独立可验证项组成的逐请求评分标准，涵盖显性需求与隐含音乐意图。逐项评分使评估能按意图来源与音乐维度进行诊断，而非给出单一不透明分数。该评估体系被实例化为MuRA-Bench，这是一个由音乐专家策划的真实平台请求数据集。
MIRA智能体运行机制
提出的MIRA智能体在测试时运行，先将请求意图转化为评分标准，随后在有限预算下对黑盒生成器进行提示词修订搜索。它迭代执行音乐生成、依据评分标准验证，并利用验证反馈引导轨迹感知树搜索，从而不断优化生成结果与用户意图的对齐程度。
实验效果与商业对齐
在开源与商业后端上的实验显示，MIRA有效提升了意图对齐度。关键在于，借助该智能体的优化搜索，开源音乐生成器能够取得与Suno和Mureka等代表性商业系统相媲美的性能表现，大幅缩小了开源与闭源方案的差距。
为什么值得看
解决文本生音乐隐含意图难对齐痛点，用智能体搜索让开源模型达到Suno等商业系统水平。
智能体对齐开源模型
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。