Este artículo se centra en la generación de bucles (segmentos de audio cortos repetidos), un elemento importante en los géneros de música dance y electrónica. Los modelos de generación existentes presentan el problema de que no pueden garantizar transiciones fluidas entre el inicio y el final generando únicamente formas de onda cortas, lo que resulta en discontinuidades. Este estudio resuelve este problema modificando un modelo no autorregresivo (MAGNeT) para generar tokens en un patrón cíclico, de modo que el modelo se centre en el inicio al generar el final. La generación natural de bucles solo es posible por inferencia, sin aprendizaje ni datos adicionales, y se confirman mejoras subjetivas en la calidad, como una mejora del 55 % en la perplejidad de los tokens en la parte de conexión del bucle y una mejora del 70 % en la calificación promedio en las pruebas de escucha. Esto demuestra la eficacia de un enfoque basado en la inferencia y las ventajas de un modelo no autorregresivo.
