近日，腾讯 AI Lab携手香港中文大学（深圳）、南京大学联合研发的歌曲生成模型SongBloom，不仅成功实现开源，更凭借突破性技术成果，相关研究成果被全球顶级人工智能会议NeurIPS 2025录用，为音乐 AI 领域再添重磅突破。
作为一款聚焦歌曲生成的创新模型，SongBloom 只需输入 10 秒参考样本与对应歌词，即可生成双通道/48kHz, 2 分 30 秒的完整歌曲。更值得关注的是，在主客观双重评测中，SongBloom 不仅全面超越现有开源模型，更在音频质量与歌词准确性两大核心维度上取得了非常优秀的效果；同时在音乐性表现上，也达到了接近领域最佳水平（SOTA）的高度。以下是模型的生成效果。
在长时序歌曲生成这一技术难点上，行业现有方案始终面临 “精度” 与 “质感” 难以两全的困境：一类是基于统一非自回归（NAR）架构的方法，多依赖扩散模型对整首歌曲进行全局建模，虽在生成效率与整体音乐性上具备优势，但因缺乏逐步时间依赖约束，难以精准捕捉歌词文本与音频的对应关系，导致生成结果稳定性欠佳；另一类是基于自回归（AR）框架的方法，通常借助大规模语言模型，将生成过程拆分为语义阶段和声学阶段，先预测离散的语义token，再映射为声学表示，这种方式能够较好地保持歌词与旋律的时序一致性，但由于离散token在建模中不可避免地丢失细粒度声学信息，最终生成的歌曲在音色质感等方面容易出现质量下降。
针对以上问题，SongBloom 实现了两大颠覆性技术创新：
● 首次将自回归扩散模型引入长时歌曲生成任务。模型以离散的 sketch token 作为 “链式思维” 式中间提示，结合 VAE latent（变分自编码器潜在空间）输出最终结果 —— 这一设计既完整保留了自回归模型在结构连贯性、音素对齐上的优势，又充分发挥了扩散模型在连续特征生成中对音质的提升作用，最终实现 “结构稳、细节满、表现力强” 的歌曲生成效果。
● 团队创新提出交替生成范式（interleaved generation）。该范式可在 “语义 - 声学” 两类上下文间动态切换，既能牢牢把控歌曲整体结构逻辑，又能精细优化局部音质表现，为音乐 AI 生成研究开辟了全新技术路径。
在客观指标层面，SongBloom 的美学评分不仅远超开源基线模型，更与顶尖商用模型 持平甚至实现超越；同时，模型具备极强的歌词 follow 能力，大幅减少 “幻觉生成”（生成内容与歌词不匹配）现象，显著降低了音素错误率（PER），让歌词准确性达到行业新高度。
在主观听感评测中，SongBloom 的表现同样惊艳。得益于 VAE latent 保留的丰富声学细节，其人声音质细腻度直接超越目前顶尖闭源商业模型 Suno-v4.5；而在音乐性上，也达到了媲美甚至超越部分闭源商业模型的水平，让 “AI 生成音乐” 更贴近专业创作质感。
目前相关代码及模型权重已开源。此外，相应的完整240s版本以及文本控制模型也将在后续发布。
Demo Page：
https://cypress-yang.github.io/SongBloom_demo
项目主仓库：
https://github.com/tencent-ailab/SongBloom
论文链接：
https://arxiv.org/abs/2506.07634
关注腾讯开源公众号
获取更多最新腾讯官方开源信息！
加入微信群即可了解更多“腾讯开源新动态”
