본 논문은 텍스트-음악 생성 분야에서 두 가지 주요 모델링 패러다임인 auto-regressive decoding과 conditional flow-matching을 체계적으로 비교 분석한 연구입니다. 동일한 데이터셋, 학습 설정, 유사한 기본 아키텍처를 사용하여 두 패러다임의 모델을 모두 처음부터 학습시키고, 생성 품질, 추론 설정에 대한 강건성, 확장성, 텍스트 및 시간 정렬 조건 준수, 오디오 inpainting을 통한 편집 기능 등 다양한 측면에서 성능을 평가했습니다. 이를 통해 각 패러다임의 장단점과 상호 간의 절충 관계, 그리고 향후 텍스트-음악 생성 시스템 설계 및 학습에 대한 실질적인 통찰력을 제공합니다.
