본 논문은 텍스트, 이미지, 비디오와 같은 다양한 모달리티와 악보 및 오디오를 활용한 다중 모달 음악 생성 분야를 개괄적으로 검토한다. 모달리티 관점에서 음악 생성 시스템을 분류하고, 모달리티 표현, 다중 모달 데이터 정렬 및 음악 생성 안내 방법을 다룬다. 현재 사용 가능한 데이터셋과 평가 방법을 논의하고, 효과적인 다중 모달 통합, 대규모 포괄적 데이터셋, 체계적인 평가 방법의 부재를 주요 과제로 제시한다. 마지막으로 창의성, 효율성, 다중 모달 정렬 및 평가에 중점을 둔 미래 연구 방향을 제시한다.
