Music 3.0 remplace la consigne à balise unique par une chronologie qui garde les chansons IA sur la bonne voie

Une chanson générée par IA peut sembler aboutie et pourtant trahir le brief. Un instrument précisé s'estompe dès le deuxième couplet, l'ambiance prédéfinie retombe près du pont, le style vocal ne revient jamais. Le morceau sonne comme une chanson complète, mais pas celle que l'on avait demandée.

Ce mode de défaillance est la cible de Music 3.0, le nouveau modèle de la gamme de génération musicale de Qwen. Au lieu d'une balise globale unique couvrant l'intégralité du morceau, il utilise une Structured Caption : une description séquentielle dans le temps qui énonce, moment par moment, ce qui se passe et quand.

Une balise, puis la dérive

La plupart des systèmes de texte vers musique compressent une demande en une seule description globale du morceau, et elle tient jusqu'à ce que la musique se déploie : les instruments sortent de l'arrangement, le ton émotionnel s'aplatit, et la prestation vocale ne survit que là où la consigne se trouvait la décrire. Music 3.0 remplace cette balise unique par une légende structurée et séquentielle dans le temps. Elle couvre toujours le genre, le BPM, la signature rythmique, la tonalité, l'usage prévu et la texture de production. Elle suit également la montée et la chute de l'émotion, l'entrée et la sortie des instruments principaux et d'accompagnement, l'évolution du groove et de la basse, ainsi que les changements de style de chant, d'harmonie et d'effets vocaux d'une section à l'autre. Les étiquettes de section dans les paroles, comme [intro], [couplet], [pré-refrain], [refrain], [pont] et [outro], fournissent la structure macro ; la légende précise ce qui change à l'intérieur de chacune.

La même critique a façonné le modèle précédent de la gamme. Notre couverture de Qwen-Music notait que les systèmes de bout en bout composant mélodie et arrangement comme une seule tâche finissaient encombrés et décousus. Qwen-Music planifiait d'abord la mélodie. Music 3.0 étend cette logique à l'ensemble de la couche de description.

Au cœur du Hybrid-LM : la structure à 8B, le détail à 0,6B

Côté modèle, Music 3.0 répartit le travail entre deux réseaux. Un Global LLM de 8B prédit, frame par frame, les tokens portant le contenu sémantique et structurel central, en gardant à l'esprit le contexte de l'ensemble du morceau. Un Local LLM de 0,6B opère à l'intérieur de chaque frame, prédisant les tokens acoustiques le long de l'axe de profondeur pour ajouter du détail sonore local.

Cette répartition maintient la stabilité temporelle pour des chansons allant jusqu'à cinq minutes tout en préservant la variation à l'intérieur des sections. Elle prolonge la conception documentée dans le rapport technique de Qwen-Music, où un tokenizer compressait l'audio en un flux de 25 Hz de tokens sémantiques et où une chaîne de pensée mélodique esquissait un contour vocal approximatif avant la génération complète. Même principe : séparer le plan de la texture.

Les démos ont des airs de preuve de concept

Le document explicatif est fourni avec plus d'une douzaine de chansons de démonstration, chacune arborant le nouveau format de légende. Une chaleureuse ballade pop en mandarin est décrite comme étant à 74 BPM en la bémol majeur, une nostalgie tendre s'ouvrant sur un refrain célébratoire, un baryton-ténor masculin mature, un guzheng délicat, des cordes douces et un son naturel de salle live. L'arc narratif, les instruments, les qualités vocales : énoncés d'emblée, non laissés à l'inférence.

Le schéma se confirme d'un genre à l'autre. « Cloud copy of me », un morceau EDM mélodique sur le téléversement de la mémoire dans un flux de données, est légendé comme des couplets réflexifs qui montent vers un refrain entraînant porté par un hook, avec des textures glitch et un mix festival soigné. La ballade Mandopop en duo parental va le plus loin, précisant des chanteurs âgés d'environ 50 à 70 ans, un fort accent taïwanais, une mère qui mène, un père qui harmonise, et un arrangement qui part du piano et des cordes pour monter vers la batterie et la guitare électrique avant de s'estomper sur une fin acoustique. Rien de tout cela ne prouve que le modèle suit fidèlement ces légendes ; cela montre ce que le format est conçu pour capturer.

Ce que le contrôle par section change pour les producteurs

Pour ceux qui écrivent des consignes pour les modèles musicaux, cela déplace le point de contrôle. Corriger une dérive signifie généralement régénérer toute la chanson ou réécrire la consigne globale en espérant que cela suffise. Une légende qui nomme ce qui change où, ancrée par des étiquettes de section, transforme « ce qui se passe dans le pont » en une condition à laquelle le modèle peut être tenu. Le document explicatif est sans détour sur l'objectif : faire de l'endroit où les choses changent une condition de génération explicite.

Les concurrents tournent autour du même problème. MiniMax a cadré le lancement de Music 2.6 autour de quatre histoires de créateurs plutôt que d'une liste de gains du modèle. Stability AI a verrouillé des licences avec UMG et WMG et doit désormais livrer. Music 3.0 vise directement le problème de production : générer la chanson qui a été décrite, pendant cinq minutes d'affilée.

Ce que le document explicatif ne dit pas

Aucune donnée d'évaluation ne montre avec quelle fidélité Music 3.0 suit une légende temporelle dense ; les démos illustrent l'intention, pas le respect de la légende. Le rapport de Qwen-Music revendiquait des résultats de pointe face à Suno V5 et MiniMax Music 2.6 sur des métriques objectives et en préférence humaine, mais le suivi d'une légende est une autre chose à évaluer. La question de savoir si le modèle respecte de manière fiable de longues séquences d'instructions temporelles, et comment l'intention de la légende interagit avec le sentiment des paroles, reste ouverte.

Les poids ouverts aussi. Le rapport de Qwen-Music ne s'engageait sur aucun calendrier de sortie, même si notre couverture notait que l'historique open source de la famille Qwen rend une sortie probable. Les documents de Music 3.0 ne se prononcent ni dans un sens ni dans l'autre. Où cela aboutira, et à quel point le modèle tiendra un brief de cinq minutes, personne ne l'a encore démontré.