Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2509.00132

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2509.00132 (cs)
[提交于 2025年8月29日 ]

标题: CoComposer:LLM多智能体协作音乐创作

标题: CoComposer: LLM Multi-agent Collaborative Music Composition

Authors:Peiwen Xing, Aske Plaat, Niki van Stein
摘要: 现有的AI音乐创作工具在生成时长、音乐质量和可控性方面存在局限。 我们引入了CoComposer,这是一个由五个协作代理组成的多代理系统,每个代理的任务基于传统的音乐创作流程。 使用AudioBox-Aesthetics系统,我们在四个创作标准上对CoComposer进行了实验评估。 我们测试了三种LLM(GPT-4o、DeepSeek-V3-0324、Gemini-2.5-Flash),并发现 (1) CoComposer在音乐质量方面优于现有的基于LLM的多代理系统,(2) 与单代理系统相比,在生产复杂性方面表现更好。 与非LLM MusicLM相比,CoComposer具有更好的可解释性和可编辑性,尽管MusicLM仍然生成更好的音乐。
摘要: Existing AI Music composition tools are limited in generation duration, musical quality, and controllability. We introduce CoComposer, a multi-agent system that consists of five collaborating agents, each with a task based on the traditional music composition workflow. Using the AudioBox-Aesthetics system, we experimentally evaluate CoComposer on four compositional criteria. We test with three LLMs (GPT-4o, DeepSeek-V3-0324, Gemini-2.5-Flash), and find (1) that CoComposer outperforms existing multi-agent LLM-based systems in music quality, and (2) compared to a single-agent system, in production complexity. Compared to non- LLM MusicLM, CoComposer has better interpretability and editability, although MusicLM still produces better music.
主题: 声音 (cs.SD) ; 人工智能 (cs.AI); 多媒体 (cs.MM); 音频与语音处理 (eess.AS)
引用方式: arXiv:2509.00132 [cs.SD]
  (或者 arXiv:2509.00132v1 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.00132
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Aske Plaat [查看电子邮件]
[v1] 星期五, 2025 年 8 月 29 日 14:15:12 UTC (34 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.SD
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
cs.AI
cs.MM
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号