什么是Jukebox？
Jukebox 是 OpenAI 推出的神经网络模型，能够根据流派、艺术家和歌词输入生成包含人声的原始音频音乐。该工具目前以开源形式发布模型权重、代码及样本浏览器，供研究人员和技术用户探索其生成能力。
Jukebox的核心功能有哪些？
- 原始音频生成直接生成包含 rudimentary singing（初级演唱）的原始音频，而非 MIDI 或钢琴卷等符号化数据。
- 多条件控制支持通过指定艺术家、流派和歌词来引导生成风格，并能泛化至训练期间未见过的歌词。
- 离散编码压缩利用 VQ-VAE 将 44kHz 音频压缩为离散代码空间，再通过 Transformer 在压缩空间中生成新模式并上采样还原。
- 歌词对齐机制结合线性对齐启发式算法与 Spleeter 人声分离技术，实现歌词与音频片段的精确对应。
- 样本补全功能提供 12 秒音频作为条件，模型可在此风格基础上继续生成剩余部分的音乐内容。
Jukebox的使用案例有哪些？
- 研究性音乐探索技术人员可利用发布的代码和权重，测试模型对未见过歌词的泛化能力及不同艺术家的风格模仿效果。
- 创意灵感辅助创作者可通过提供特定风格的短音频片段，让模型生成后续旋律以获取创作参考，尽管当前速度较慢不适合实时交互。
