본 논문은 텍스트 기반 음악 생성 모델의 두 가지 주요 패러다임인 Auto-Regressive decoding과 Conditional Flow-Matching을 체계적으로 비교 분석합니다. 동일한 데이터셋, 학습 설정, 유사한 백본 아키텍처를 사용하여 모델을 새로 학습시키고, 생성 품질, 추론 설정에 대한 강건성, 확장성, 텍스트 및 시간 정렬 조건 준수, 오디오 inpainting 형태의 편집 기능 등 여러 측면에서 성능을 평가합니다. 이를 통해 각 패러다임의 강점과 한계를 밝히고, 향후 텍스트 기반 음악 생성 시스템의 아키텍처 및 학습 결정에 도움이 되는 실행 가능한 통찰력을 제공합니다.
