Text-to-music(音楽生成)
Text-to-music(音楽生成)とは、ジャンル、雰囲気、楽器、テンポなどの書かれた説明から音楽の音声を生成するタスクです。歌詞を書いて歌うシステムもあります。
別名: AI music generation, music generation, AI song generator
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
たとえば「やわらかな雨音を伴うゆっくりしたlo-fiピアノ、70 bpm」のように望むものを説明すると、モデルは音声クリップを返します。SunoやUdioのような楽曲向けのサービスは、プロンプトと歌詞から、ボーカル入りのフルトラックを生成できます。
仕組み
2つの系統が主流です。言語モデルの手法は、ニューラルコーデックで音声を離散的なトークンに変え、テキストモデルが単語を予測するようにトークンを1つずつ予測します。MetaのMusicGenはオープンな例で、複数の音声トークンのストリームを扱う単一のTransformerで、テキストやメロディーで条件付けできます。Stable Audio 3 Mediumのような拡散の手法は、画像向けの拡散モデルと同じように、ノイズ除去によって音声を生成します。
用途
動画、ポッドキャスト、ゲームのBGM、ソングライターのための手早いデモ、テーマのバリエーションです。クリップを延長したり、ステムを分離したり、鼻歌のメロディーに沿ったりできるツールもあります。
関連用語
Text-to-musicはtext-to-speechの兄弟分です。どちらも音声を生成しますが、音声合成モデルは明瞭な言葉を、音楽モデルはリズム、ハーモニー、音色を目指します。
限界
長い曲は構成が崩れることがあり、歌詞が不明瞭になることもあります。権利関係は定まっていません。著作権のある録音で学習したことが訴訟につながっており、出力の商用利用の条件はサービスによって異なるため、公開する前に読んでください。
関連用語
- Text-to-speech(音声合成)
- Text-to-speech(TTS、音声合成)とは、書かれたテキストを話し言葉の音声に変えるソフトウェアです。現在のTTSは、テキストから発話の音を予測し、それを波形として描き出すニューラルネットワークを使います。
- 拡散モデル
- 拡散モデル(diffusion model)とは、多くのステップをかけて少しずつノイズを取り除くことで、ランダムなノイズを画像などのデータに変えることを学ぶ生成モデルです。
- 自己回帰モデル
- 自己回帰モデル(autoregressive model)とは、系列を 1 つずつ生成するモデルです。それまでのすべてのトークンから次のトークンを予測し、その出力を入力に戻します。ほとんどの大規模言語モデルはこの方式で動いています。
- ボイスクローニング
- ボイスクローニング(voice cloning)とは、AIを使い、特定の人の録音から学んだその人の声で音声合成システムに話させることです。短いサンプルだけで済むシステムもあります。
- モデルライセンス
- モデルライセンスとは、モデルの重み、場合によってはコードやデータを、どのように使用、変更、共有してよいかを定めた法的な条件です。条件は、寛容なオープンライセンスから、非商用や独自の制限付きのものまでさまざまです。