在音乐生成领域，大型语言模型能够生成表面上合法的十二音音乐谱，但往往会陷入退化的纹理中。为了解决这一问题，我们提出了一种神经符号框架，将语言模型的提议者包裹在一个生成-验证-修复-追踪的循环中，结合符号验证。这一完整的流程显著提高了事件局部一致性，而不声称整体作品的合法性。
在40个受控任务和四个配对模型的实验中，使用这一框架的交付率从原始生成的13.3%提升至48.1%。与此同时，经过更严格的碰撞和序列一致性检查的通过率从33.5%提升至58.3%，而退化情况保持在0.05附近，包括在探索性对抗提示下。五位专家的盲评结果也表明，在遵循性、感知合法性、一致性和整体质量等方面，框架候选作品相较于原始生成作品获得了更高的评价。
博主点评： 本文展示了神经符号方法在音乐生成中的应用潜力，通过生成-验证-修复的循环机制，有效提升了生成作品的质量与一致性，标志着音乐生成领域的一个重要进步。该方法不仅提升了模型的实际应用效果，也为未来的音乐创作提供了新的思路和方向。