Qwen-Music：先规划旋律，再生成整首歌

Qwen-Music 的关键点不是「又一个能写歌的模型」，而是 Qwen Team 把歌曲生成拆成两层：先在 25 Hz 的离散音乐语义 token 里规划歌词、旋律和结构，再用渲染器补回 48 kHz 立体声波形。arXiv 页面显示，Qwen-Music Technical Report 于 2026 年 7 月 13 日提交，分类为 Computer Science > Sound；摘要给出的主结果包括三组件架构、超过 500 万小时多语言训练数据，以及在 600 个中英文 prompts 上 16 项客观音乐和音频指标中 13 项最优。1

这套系统最值得看的地方，是它没有让一个模型直接从文本跳到最终音频。论文把「作曲层」和「声音层」分开处理：LLM 负责长程结构和旋律计划，Render 负责把压缩过的语义草稿变成能听的波形。对音乐生成来说，这个拆法比单看主观胜率更有信息量。2

论文把歌曲生成的难点说得很具体：一首歌不是普通音频片段，它同时牵涉歌词、旋律、节奏、人声表现、配器和分钟级结构。离散 token 适合让语言模型做全局序列生成，但压缩后会丢掉一部分声学细节；Cover Song 还多一层约束，要保留参考旋律，同时改变风格、人声和编曲。2

Qwen-Music 因此用了三个组件，各自承担不同的误差来源。

这个设计的含义很直接：Qwen-Music 不是把音乐当成一段长音频硬生成，而是先把歌曲当作可预测的语义序列，再用生成式渲染器把它还原成声音。这样做的代价是系统更复杂，好处是长程结构和高保真渲染可以分开优化。

Melody-CoT 是这篇报告里最有辨识度的机制。它让 Qwen-Music-LLM 先生成一个中间 melody plan，再生成完整 Music Semantic Tokens。论文称，这能改善创造性、音乐性、结构连贯性，并提升基于参考音频的 melody cloning。1

这里的 CoT 不是给人看的文字推理链，而是给模型用的旋律中间表示。Qwen-Music 先用 RMVPE 提取 50 Hz pitch curve，再下采样到 6.25 Hz，并用 relative MIDI representation 表示旋律形状。这样保留的是粗粒度旋律轮廓，尽量去掉绝对音高、调式和音色信息。2

这对 Cover Song 很关键。模型可以从参考歌曲里提取 melody tokens，再结合目标标签和歌词生成新版本：旋律尽量跟原歌走，风格、人声特征和编曲则按新条件改变。论文里还区分了 section-level melody 和 unique-section-level melody：前者更贴近每个含歌词片段的旋律，后者只保留同类重复段的代表片段，减少过拟合和过度条件化。2

换句话说，Melody-CoT 的价值不在于让模型「解释」它为什么这么写，而在于把旋律变成可控的中间层。音乐生成最怕一首歌开头不错，后面结构散掉；有了旋律草图，模型至少多了一个可以约束长程走向的抓手。

报告称，Qwen-Music-LLM 使用超过 500 万小时多语言音乐数据训练，覆盖数百种语言。预训练不是简单混合所有样本，而是先训练一个基于 MOS 的 reward model，在每个 genre 内把数据分成 Q1 到 Q7 七档，训练时使用 Q1 到 Q6，移除 Q7。课程分三段推进：先用 Q3 到 Q6 并加入 20% instrumental music，再进入 Q2，最后聚焦 Q1 并补充高质量样本，同时保持 genre 和 language 平衡。2

后训练也分三步：Supervised Cold Start 做监督初始化，Iterative Offline Preference Alignment 使用 DPO，Online Musicality Optimization 使用 GSPO。这里的重点不是把 DPO 和 GSPO 当成标签贴上去，而是它说明 Qwen-Music 的目标已经不只是「能跟提示词」，还要把音乐性、可控性和偏好反馈放进同一个训练流程。1

这也解释了为什么这篇报告会把质量分级写得比较细。音乐数据规模很容易被低质录音、重复片段和风格偏斜吞掉收益；如果没有质量课程和偏好优化，500 万小时本身不一定转化成更好的完整歌曲。

Qwen-Music 在报告里的结果可以分成两类：原创新歌生成和 Cover Song 生成。前者看文本到音乐的整体质量，后者看参考旋律能否保住。

这组结果里，最有工程价值的不是「13 项最优」这句话本身，而是 Cover Song 的权衡被量化了。section-level melody 把旋律贴得更紧，unique-section-level melody 更像是在保留主要旋律意图后让模型自由改编。不同产品会选不同点：翻唱工具更在意 MAE，创作助手可能更在意风格跟随和可编辑性。

如果你关心音乐生成模型的技术路线，Qwen-Music 给了一个清晰样本：用 LLM 做音乐语义建模，用 Melody-CoT 处理长程旋律，再把高保真声音交给独立渲染器。这个方向和「端到端直接生成最终音频」相比，工程链条更长，但更容易把结构控制、参考旋律和声学质量拆开评估。

如果你关心产品落地，这篇报告还不够。arXiv 技术报告能说明模型能力和实验口径，但真实选型还要单独核对 API 可用性、生成时长、成本、后期可编辑性、中文歌词咬字、版权和商用授权。尤其是 Cover Song，技术上的 melody preservation 只是第一步，商用场景里还要处理原曲权利和相似性风险。

Qwen-Music 这次真正把音乐生成的竞争点往前推了一步：不是只比哪段试听更像成品，而是开始比谁能把旋律、歌词、风格和声音质量拆成可控模块。后续如果 Qwen 开放模型、API 或更完整的外部评测，最值得复测的也不是单首样例，而是长歌结构、跨语言歌词、参考旋律保真和后期工作流四件事。