---
title: "SongGen – 上海 AI Lab 和北航、港中文推出的歌曲生成模型"
url: "https://paooo.com/aigc-news/21477/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T12:40:13+08:00"
updated_at: "2026-06-08T12:40:13+08:00"
categories: "AIGC 资讯"
tags: "AI音频与语音, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# SongGen – 上海 AI Lab 和北航、港中文推出的歌曲生成模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/21477/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 单阶段自回归 Transformer 直接做文本到歌曲生成，简化传统多阶段音乐生成流程。
- 支持歌词、风格、情感与三秒参考音频控制，可实现声音克隆与细粒度创作。
- 混合模式与双轨模式兼顾成品输出和后期编辑，提升人声清晰度与生成自然度。

## SongGen是什么

SongGen是上海AI Lab、北京航空航天大学和香港中文大学推出的单阶段自回归Transformer模型，用在从[文本生成歌曲](https://ai-bot.cn/best-ai-music-generators/)。SongGen基于歌词和描述性文本（如乐器、风格、情感等）作为输入，支持混合模式和双轨模式两种输出方式，分别用于直接生成人声与伴奏的混合音频，及分别合成人声和伴奏方便后期编辑。SongGen基于创新的音频标记化策略和训练方法，显著提升生成歌曲的自然度和人声清晰度，解决传统多阶段方法中训练和推理流程繁琐的问题。SongGen的开源性和高质量数据集为未来音乐生成研究提供了新的基准。

## SongGen的主要功能

- **细粒度控制**：用户基于歌词、描述性文本（如乐器、风格、情感等）对生成的歌曲进行控制。

- **声音克隆**：支持基于三秒参考音频实现声音克隆，使生成的歌曲具有特定歌手的音色。

- **两种生成模式**：提供“混合模式”（直接生成人声和伴奏的混合音频）和“双轨模式”（分别合成人声和伴奏，便于后期编辑）。

- **高质量音频输出**：基于优化的音频标记化和训练策略，生成具有高自然度和清晰人声的歌曲。

## SongGen的技术原理

- **自回归生成框架**：基于自回归Transformer解码器，将歌词和描述性文本编码为条件输入，用交叉注意力机制引导音频标记的生成。

- **音频标记化**：用X-Codec将音频信号编码为离散的音频标记，基于代码本延迟模式处理多代码序列，支持高效生成。

- **混合模式与双轨模式**：

**混合模式**：直接生成混合音频标记，引入辅助人声音频标记预测目标（Mixed Pro），增强人声清晰度。

- **双轨模式**：基于平行或交错模式分别生成人声和伴奏标记，确保两者在帧级别上的对齐，提升生成质量。

- **条件输入编码**：

**歌词编码**：VoiceBPE分词器将歌词转换为音素级标记，基于小型Transformer编码器提取关键发音信息。

- **声音编码**：MERT模型提取参考音频的音色特征，支持声音克隆。

- **文本描述编码**：FLAN-T5模型将描述性文本编码为特征向量，提供音乐风格、情感等控制。

- **训练策略**：

**多阶段训练**：包括模态对齐、无参考声音支持和高质量微调，逐步提升模型性能。

- **课程学习**：逐步调整代码本损失权重，优化模型对音频细节的学习。

- **数据预处理**：开发自动化数据预处理管道，从多个数据源收集音频，分离人声和伴奏，生成高质量的歌词和描述性文本数据集。

## SongGen的项目地址

- **GitHub仓库**：[https://github.com/LiuZH-19/SongGen](https://github.com/LiuZH-19/SongGen)

- **arXiv技术论文**：[https://arxiv.org/pdf/2502.13128](https://arxiv.org/pdf/2502.13128)

## SongGen的应用场景

- **音乐创作**：快速生成歌曲雏形，探索不同风格，为歌词生成伴奏，加速创作流程。

- **视频配乐**：为短视频、广告、电影生成背景音乐，根据内容调整风格，提升视觉效果。

- **教育辅助**：帮助学生理解音乐创作，通过生成歌曲学习语言发音，激发创造力。

- **个性化体验**：根据用户输入生成定制歌曲，用声音克隆实现“个人专属歌手”，增强娱乐性。

- **商业应用**：为品牌生成专属音乐，替代版权受限的音乐素材，用于广告和推广。

## 常见问题解答 (FAQ)

### SongGen 支持哪些歌曲生成模式？
SongGen 提供两种输出方式：混合模式直接生成包含人声与伴奏的混合音频；双轨模式则分别合成人声和伴奏，便于后期编辑与混音处理。

### SongGen 如何实现声音克隆？
SongGen 支持基于约三秒参考音频提取音色特征，再结合歌词和描述文本生成带有目标音色的歌曲，从而实现声音克隆效果。

### SongGen 的核心技术优势是什么？
它采用自回归 Transformer、X-Codec 音频标记化和多阶段训练策略，能提升歌曲自然度与人声清晰度，同时减少传统方法在训练和推理上的复杂度。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
