MelodyFlow ist ein textgesteuertes Modell zur Erzeugung und Bearbeitung von hochauflösender Musik. Es verwendet kontinuierliche latente Repräsentationssequenzen, um Informationsverluste, die bei diskreten Repräsentationen auftreten können, zu vermeiden. Das Modell basiert auf einer Diffusions-Transformer-Architektur, die mit einem Flow-Matching-Ziel trainiert wurde und diverse, hochwertige Stereomuster erzeugen und bearbeiten kann – und das mit der Einfachheit von Textbeschreibungen. MelodyFlow erforscht außerdem eine neue Methode zur Regularisierung der latenten Umkehrung für textgesteuerte Bearbeitung im Zero-Shot-Test und zeigt seine überragende Leistung bei verschiedenen Musikbearbeitungshinweisen. Das Modell wurde anhand objektiver und subjektiver Metriken evaluiert und zeigt eine vergleichbare Qualität und Effizienz zu den Bewertungsbaselines in Standard-Text-zu-Musik-Benchmark-Tests und übertrifft bestehende State-of-the-Art-Techniken in der Musikbearbeitung.