游戏配乐，AI得跟每次动作卡点吗？

角色跳一下，音乐就强调一下，整关玩下来可能很累。研究游戏视频生成配乐的这项预印本，先把任务条件写清，游戏原声常整关循环，音乐与每个屏幕事件之间的关系要另行判断。

我对照留存原摘要，作者准备了二百一十七点六小时超级任天堂游戏视频，配上四百八十五小时干净原声。参考声音去掉音效和人声，再用音频指纹对齐，让模型学习的对象尽量落在音乐本身。

实验比较几种读画面的方式，文字描述、独立帧和带时间关系的画面块，再送入 MusicGen 解码器。编码器分别尝试冻结或微调，作者报告冻结版本在各项指标上不差，其中一种时空方案整体最好。

模型参数最多减少百分之十八，客观结果超过比较基线，听测有九十六人参与。听测中胜过一个基线、与另一个相当，不能把这些结果改成听感全面领先，数值与人的偏好需要分别呈现。

这个数据集集中在同一代主机的渲染画面和合成原声，现代三维游戏或真实乐器录音又会改变条件。论文没有回答全部迁移表现，冻结编码器的效果也还需要在更多材料上重复检验。

做游戏音乐的团队可以先看任务到底需要响应什么，关卡整体气氛、阶段变化与瞬间动作各有时间尺度。生成一段好听的音乐以后，把它放回实际玩法循环，才能发现哪处过分抢戏、哪处又缺回应。

先选一段短关卡，保留画面与参考音乐的位置，循环播放生成候选。玩到同一动作时听它是否每次都急着强调，再检查循环接缝，把真正影响体验的那几秒标出来，再讨论采用哪种画面信息。

资料出处

• 原报道或作者资料