申请/专利权人：中兴协力(山东)数字科技集团有限公司

申请日：2023-11-03

公开（公告）日：2024-01-16

公开（公告）号：CN117412144A

主分类号：H04N21/81

分类号：H04N21/81;H04N21/44;H04N21/439;H04N21/466

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.02.02#实质审查的生效;2024.01.16#公开

摘要：本发明属于音乐短片生成应用技术领域，尤其涉及一种基于音频、图像和文本的多模态音乐短片生成方法。本发明提供一种基于音频、图像、文本多模态的音乐短片生成方法，构建了文本编码结构、音频编码结构、TS模型、MVdiffusion模型训练架构以及MVdiffusion模型测试架构。通过搭建的多模态深度学习模型，实现更全面、综合的多模态音乐短片生成能力，保证了各个模态之间的一致性和同步性，能够同时处理音频、图像和文本等多个相关任务，从而提高对音乐短片的全面理解和创造能力。

主权项：1.一种基于音频、图像和文本的多模态音乐短片生成方法，其特征在于，包括如下步骤：S1、数据获取，获取音乐短片数据集，依照时间关系，将数据集切分为图像数据集、文本数据集、音频数据集，三种模态数据对的形式；S2、搭建TS模型，文本编码部分采用CLIP文本编码器，得到文本和音频隐空间映射模型；S3、训练、测试TS模型，验证文本和音频隐空间映射准确度，得到音频编码器；S4、搭建MVdiffusion模型，音频编码部分采用S3获得的音频编码器，图像编码部分采用VAE编码器，文本编码部分采用CLIP文本编码器，解码器采用扩散模型，最终得到音频、文本、图像多模态扩散模型；S5、训练、测试MVdiffusion模型，仿真实验验证图像音频、文本、图像三模态的对齐准确率，及音乐短片的丰富、多样化性。

全文数据：

权利要求：

百度查询： 中兴协力(山东)数字科技集团有限公司 一种基于音频、图像和文本的多模态音乐短片生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD