O MusiConGen é um modelo de geração de música a partir de texto baseado em Transformer, que aprimora o controle de ritmo e acordes por meio de condicionamento temporal. O modelo foi ajustado finamente a partir da estrutura pré-treinada MusicGen-melody. Ele utiliza a representação simbólica de acordes e ritmo, combinada com descrições de texto em cinco estilos diferentes, para gerar amostras. Os acordes das amostras geradas são estimados por meio do modelo de reconhecimento de acordes BTC, como descrito no artigo.