From One-Shot Generation to Incremental Music Composition: Adapting a General-Purpose Instruction LLM for Persistent Symbolic Editing
作者: André Ricardo Ducca Fernandes, Jean-Pierre Briot, Simone Diniz Junqueira Barbosa1, Hélio Côrtes Vieira Lopes
分类: cs.AI, cs.LG
发布日期: 2026-09-28
💡 一句话要点
提出基于LLM的增量音乐创作方法以解决传统生成系统局限
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 音乐生成 增量创作 符号编辑 大型语言模型 低秩适配 操作感知 人机协作
📋 核心要点
- 现有音乐生成系统主要作为完整作品的生产者，缺乏对逐步修订的支持，限制了创作的灵活性。
- 论文提出将增量创作视为对持久ABC记谱法的操作感知状态转移，允许对音乐作品进行多次编辑。
- 实验结果显示，适应性模型的检查通过率从29.37%提升至99.37%，表明增量编辑的有效性和可行性。
📝 摘要（中文）
大多数音乐生成系统仍然主要被视为完整输出的生产者，而音乐创作往往通过对共享音乐作品的逐步修订进行。本文研究了一种不同的通用指令遵循大型语言模型的使用方式：作为可重复使用的操作符，作用于不断演变的符号乐谱。我们将增量创作形式化为对持久ABC记谱法的操作感知状态转移序列，明确每个操作可能改变的内容及其必须保留的内容。通过对496,038条来自爱尔兰传统音乐的操作感知对话记录进行低秩适配（LoRA），我们对Llama 3.1 8B Instruct进行了适应性调整。与未适应模型的比较用于测试学习这种交互契约的可行性。实验结果表明，持久的、操作感知的符号编辑在技术上是可行的。
🔬 方法详解
问题定义：本文旨在解决传统音乐生成系统在逐步创作过程中的局限性，现有方法往往无法支持对音乐作品的多次修订与编辑。
核心思路：论文提出将增量音乐创作形式化为对持久ABC记谱法的操作感知状态转移，设计了明确的操作要求，以便在编辑过程中保持音乐作品的完整性。
技术框架：整体架构包括两个艺术品初始化变体和三个编辑操作（和弦添加、修复和移调），通过对496,038条对话记录进行训练，适应Llama 3.1 8B Instruct模型。
关键创新：最重要的技术创新点在于将通用指令遵循LLM应用于增量音乐创作，突破了传统生成系统的单次输出限制，实现了对音乐作品的持续编辑能力。
关键设计：在模型适应过程中，采用了低秩适配（LoRA）技术，设置了明确的操作要求，确保每次编辑操作既能改变必要的部分，又能保留音乐作品的核心特征。
🖼️ 关键图片
📊 实验亮点
实验结果显示，适应性模型的检查通过率从29.37%提升至99.37%，合规性条件下的合规率从0.7205提升至0.9798，表明增量编辑的有效性显著提高。严格的音乐特征分析合格输出从14个增加到1,548个，展示了模型在音乐创作中的潜力。
🎯 应用场景
该研究的潜在应用领域包括音乐创作软件、教育工具以及人机协作的音乐生成系统。通过提供灵活的编辑功能，能够帮助音乐创作者在创作过程中进行更高效的迭代与修改，提升创作体验与效率。
📄 摘要（原文）
Most music-generation systems are still framed and evaluated primarily as producers of complete outputs, whereas composition often proceeds through successive revisions to a shared musical artifact. This paper studies a different use of a general-purpose instruction-following large language model: not as a one-shot music generator, but as a reusable operator over an evolving symbolic score. We formulate incremental composition as a sequence of operation-aware state transitions over persistent ABC notation, with explicit requirements on what each operation may change and what it must preserve. The interaction includes two artifact-initialization variants and three editing operations -- chord addition, inpainting, and transposition. We instantiate the formulation by adapting Llama 3.1 8B Instruct with Low-Rank Adaptation (LoRA) on 496,038 operation-aware dialogue records derived from Irish traditional music. The comparison with the unadapted model is used to test the feasibility of learning this interaction contract, not to claim novelty for fine-tuning itself. Across 500 dialogues per model (1,750 attempted output states), checker admission rises from 29.37% to 99.37%, while compliance conditional on admission rises from 0.7205 to 0.9798. Strict eligibility for reference-relative musical-feature analysis increases from 14 to 1,548 outputs, and Longest Common Subsequence analysis does not show a systematic increase in high-overlap sequences relative to held-out baselines under the specified protocol. The results support the technical feasibility of persistent, operation-aware symbolic editing with a general-purpose instruction LLM. They do not establish superior musical quality or human-AI co-creativity, which remain questions for musician-centered evaluation.