Jamify

JAM es un modelo rectificado basado en flujo para la generación de letras a canciones que aborda la falta de control fino a nivel de palabra en los modelos existentes de letras a canciones. Construido sobre una arquitectura compacta de 530 millones de parámetros con 16 capas de Transformer estilo LLaMA como columna vertebral del Diffusion Transformer (DiT), JAM permite el control vocal preciso que los músicos desean en sus flujos de trabajo. A diferencia de los modelos anteriores, JAM proporciona control de tiempo a nivel de palabra y fonema, permitiendo a los músicos especificar la colocación exacta de cada sonido vocal para una mayor flexibilidad rítmica y un timing expresivo.