Jamify

JAM ist ein rectifiziertes flow-basiertes Modell zur Generierung von Texten zu Songs, das das Fehlen einer feinen Steuerbarkeit auf Wortebene in bestehenden Modellen adressiert. Basierend auf einer kompakten Architektur mit 530 Millionen Parametern und 16 LLaMA-Style Transformer-Schichten als Diffusion Transformer (DiT) Rückgrat, ermöglicht JAM die präzise stimmliche Kontrolle, die Musiker in ihren Arbeitsabläufen wünschen. Im Gegensatz zu früheren Modellen bietet JAM eine Steuerung des Timings auf Wort- und Phonemebene, die es Musikern erlaubt, die genaue Platzierung jedes vokalen Sounds für verbesserte rhythmische Flexibilität und ausdrucksvolles Timing festzulegen.