MusicTwins：让音频语言模型按人物画像聆听音乐

MusicTwins 用人物画像与后训练让音频语言模型模拟特定个体的音乐回应。

资讯摘要

论文提出 MusicTwins 框架，用人物画像摘要、个人记忆与后训练相结合，生成特定个体对文本和音乐刺激的个性化回应。作者从人类写作中构建包含背景、观点、性格、写作风格和音乐画像的人物表征，并通过监督微调和强化学习对 Audio Flamingo Next 进行后训练。在十个留出人物上的评估显示，该模型在性格、写作风格及音乐回应等人物保真度方面有明显提升。

要点速读

1. MusicTwins 从人类写作中构建人物表征，涵盖背景、观点、性格、写作风格与音乐画像。
2. 作者通过监督微调和强化学习对 Audio Flamingo Next 进行后训练。
3. 在十个留出人物上的评估显示，模型在人物保真度方面有明显提升。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。