Qwen-Music 音乐生成模型报告

Qwen · hf · 2026-07-20

阿里发布 Qwen-Music 技术报告，介绍一个可生成高质量歌曲与完整人声演唱的音乐生成模型。它支持两类任务：文本生成音乐，以及对已有歌曲进行不同风格/音色的翻唱。

模型架构由三部分组成：Qwen-Music-Tokenizer 将音频压缩为 25Hz 的单码本音乐语义 token；Qwen-Music-LLM 基于这些 token 做自回归生成，并引入先规划旋律再生成整首歌的 Melody-CoT；Qwen-Music-Render 负责生成式立体声渲染，补足音质细节。训练上，团队使用了超过 500 万小时的多语种音乐数据，并结合质量感知预训练、监督初始化、offline DPO 和 online GSPO。报告称，Qwen-Music 在 16 项客观音乐/音频指标中有 13 项达到 SOTA，且专业评审更偏好它，相比主流闭源系统在翻唱时也更能保留参考旋律。