MusicGen生成的内容容易出现重复乐句，这并不是模型本身缺乏创造力，而是推理阶段的采样策略往往过于保守。MusicGen使用EnCodec把连续音频压缩成多组离散token，再由Transformer以自回归方式预测下一个token。当采样温度较低、候选集合被top_k切得过短时，每一帧都会选择概率最高的那几个token，整条旋律很快就会陷入循环感。要打破这种单调，需要同时理解采样参数如何影响token分布，以及随机种子在这个过程中扮演的角色。
一、单调的本质：低熵采样让token序列高度集中
在MusicGen的推理流程中，每个解码步骤会输出一个logits向量，经过softmax后得到所有离散音频token的概率分布。默认或较低的温度参数会让这个分布变得尖锐，少数高频token占据绝大多数概率。自回归模型一旦选择了这些高频token，后续生成就会沿着模型样本中出现最多的路径前进，于是旋律听起来平坦、重复。此时即使文本提示写得再具体，高概率路径仍然占据主导，因为条件信号没有强到改变整个采样分布。
除了温度之外，top_k和top_p也是控制候选空间的关键。许多推理接口默认的top_k偏小，只保留几十个候选token，相当于给每步选择加了一道非常窄的门。旋律丰富度需要模型在合适的时机跳出常见音型，去尝试概率稍低但更富变化的音符片段。如果候选集被截断得太小，这些低概率但有趣的选项永远不会被选中。因此，解决单调问题的第一步，是重新审视推理参数，而不是急着换模型或增加显存。
from audiocraft.models import MusicGen
model = MusicGen.get_pretrained('facebook/musicgen-medium')
model.set_generation_params(
duration=30,
temperature=0.6,
top_k=30,
top_p=0.8,
cfg_coef=3.0
)
# 这是一组偏向稳定的参数，输出常常会显得重复
wav = model.generate(['一段氛围感强的电子音乐'])
model.save_wav(wav, 'mono_default.wav')
上面这段代码中，温度只有0.6，top_k限制在30个token，生成结果很容易出现连续重复的小节。虽然稳定性更好，但旋律复杂度会被严重压缩。如果发现自己生成的音频总是近似循环，可以先从这个参数组合开始调整，而不是直接修改提示词。
二、旋律复杂度参数：temperature、top_k与top_p如何打开候选空间
所谓旋律复杂度参数，在MusicGen推理接口中并不是一个独立的旋钮，而是由temperature、top_k和top_p共同决定的综合效果。温度直接作用于softmax函数，公式可以写成p_i等于exp(z_i除以T)再除以所有exp(z_j除以T)之和。当T增大时，logits之间的差异被缩小，分布趋于平坦，低概率token获得更多被选中的机会。T过大时分布接近均匀，旋律会变得随机甚至刺耳；T过小则退化为近似贪婪搜索。通常可以尝试把温度从0.6逐步提高到1.0到1.2之间。
top_k的作用是在采样前只保留概率最高的k个token，将其余token概率置零后再归一化。它能够删除那些概率极低、几乎不可能是合理音频片段的token。k越大，候选范围越宽，旋律变化越多；k越小，生成越稳定但越单调。实际使用中，将k从30升高到250或300，往往能明显增加音高的跳跃和节奏变化。top_p则采用核采样策略，保留累计概率达到p的最小token集合，候选数量会随当前分布动态变化。它比固定k更灵活，能在分布较平时自动扩大候选集，在分布尖锐时自动收缩。
model.set_generation_params(
duration=30,
temperature=1.1,
top_k=300,
top_p=0.95,
cfg_coef=3.0
)
wav = model.generate(['一段节奏明快、旋律起伏较大的爵士电子音乐'])
model.save_wav(wav, 'complex_output.wav')
这组参数中，温度被提高到1.1，top_k扩展至300，top_p设为0.95。候选token集合在每一步都保持足够宽度，即使某个高概率token出现次数很多，也有机会被其他稍低概率的token替代，从而打破重复循环。需要说明的是，参数设置没有万能值，电子音乐可能需要更高温度和更大top_k，而管弦乐或人声伴奏则不宜过猛，否则会失去和声连贯性。建议每次只调整一个参数，观察生成结果的旋律密度、节奏变化与不和谐程度，再逐步逼近合适区间。
三、随机种子：为什么只换seed不够，批量seed筛选才有用
随机种子在自动回归采样中控制初始噪声和随机数生成器的状态。固定seed时，同样的模型、提示词和参数会得到完全相同的音频，这在复现实验时非常重要。但反过来，如果只改变seed，其他参数尤其是温度保持不变，生成结果往往仍然相似。原因在于模型的高概率路径没有改变，采样分布仍集中在少数token上，seed的变化只会在早期少数几步产生细微偏移，之后很快又会回到同一条或相近的旋律主干上。因此，单独换seed并不能真正解决单调问题。
正确的做法是先通过提高温度和放宽top_k或top_p，让采样分布保持足够的熵，再批量遍历多个seed进行生成。这样每个seed可以探索不同的采样轨迹，产生明显分化的旋律版本。生成之后，可以用音频特征进行筛选，例如计算chroma向量方差、onset密度或spectral flux，优先保留那些音高变化更丰富、节奏更活跃的片段。这种批量seed筛选方式既能保留一定可控性，又能从多样本中挑出最不单调的结果。
import torch
from audiocraft.models import MusicGen
model = MusicGen.get_pretrained('facebook/musicgen-medium')
model.set_generation_params(
duration=20,
temperature=1.1,
top_k=300,
top_p=0.9,
cfg_coef=3.5
)
prompt = ['复杂的爵士钢琴即兴段落']
for seed in range(5):
torch.manual_seed(seed)
wav = model.generate(prompt)
model.save_wav(wav, f'output_seed_{seed}')
# 不同seed会生成明显不同的旋律版本
# 可继续用librosa计算chroma方差筛选复杂度较高的音频
上述代码中，温度设置为1.1，top_k设为300，然后再遍历多个seed。这样每个seed不再只是噪声上的微小差别，而是对应真正不同的采样轨迹。根据经验，当温度低于0.8时，seed对最终旋律结构的影响非常有限；当温度高于1.0且top_p较大时，不同seed之间的差异会迅速拉大，更容易找到避免重复的版本。
四、提示词与CFG权重对旋律丰富度的辅助影响
除了采样参数和随机种子，提示词的写法也会间接影响旋律复杂度。MusicGen使用文本条件控制生成方向，提示词中如果只写氛围、情绪等抽象描述，模型会倾向于生成非常平稳的背景音型。相反，加入具体节奏、音高走向、演奏技法等描述，例如快速的琶音、跳跃的切分节奏、密集的十六分音符，会让条件信号牵引模型选择更多变化性的token路径。提示词越具体，条件约束越强，旋律结构越不容易滑向高概率的简单循环。
另一个需要注意的参数是cfg_coef，也就是classifier-free guidance权重。它控制文本条件对生成过程的干预强度。适当提高该系数可以增强文本相关性，但如果设置过高，模型会过度强调条件而抑制多样性，导致旋律虽然符合描述却显得机械。建议在提升温度和放宽采样候选的同时，将cfg_coef保持在3.0到4.0之间，微妙平衡条件一致性与变化自由度。最终解决单调问题需要把参数调整、seed批量和提示词设计结合起来，而不是寄希望于某一个参数单独生效。