构建多模态音乐数据库，实现数据标准化处理：
数据源：整合中英文歌曲（含多轨分离文件）、民族乐器样本库（20 + 种传统乐器）、方言演唱素材及古典诗词语料。
核心模块：
音伴分离：采用基于 Transformer 的分离模型，获取人声、伴奏立轨道；
特征标注：自动提取调式、BPM、情感标签（能量值 0-100）、乐理结构（前奏 / 主歌 / 副歌）；方言适配：针对粤语、闽南语等添加声调标注与韵律规则库。
2. 生成模型层（核心）
采用 “Codec+LM+FM” 三模块协同架构，参数量控制在 3B 级以平衡性能与速度：
Music Codec（1B 参数）：实现低比特率编解码，在 25Hz 码率、0.35kbps 比特率下还原 48kHz 双通道音乐，设计混合轨道（人声伴奏统一建模）与双轨道（立建模）两种模式。
Music LM（2B 参数）：基于 Transformer 架构，支持：
多模态输入：文本描述（如 “激昂 国风 古筝”）、参考音频（10 秒以上风格跟随）、歌词（含平仄 / 押韵校验）；
多类别 Token 并行预测：先预测混合 Token 确保人声与伴奏和谐，再生成双轨 Token 优化细节，解决传统方法的不和谐问题。
风格适配引擎：
通用曲风：基于预训练模型支持流行、摇滚等基础风格；
本土化风格：集成五声音阶模型（国风）、方言韵律引擎（粤语 / 川语等），通过 BERT 模型捕捉古诗词平仄规则。
