MusicLM 将条件音乐生成过程视为分层的序列到序列建模任务，它以 24 kHz 的频率生成音乐，并在几分钟内保持一致。他们的实验表明，MusicLM 在音频质量和对文本描述的遵守方面优于以前的系统。此外，我们证明 MusicLM 可以同时以文本和旋律为条件，因为它可以根据文本标题中描述的风格转换吹口哨和哼唱的旋律。为了支持未来的研究，我们公开发布了 MusicCaps，这是一个由 5.5k 音乐文本对组成的数据集，其中包含由人类专家提供的丰富文本描述。