text-to-music 通常依赖于全局文本条件来指导音乐生成过程。然而，在描述音乐特征的同时，文本会引入一定程度的歧义和冗长（ambiguity and verboseness）。全局文本描述固有的模糊性，对于生成音乐精确控制时间特征提出了巨大的挑战，例如：melody、chords and rhythm。因此增强chord and rhythm，来捕捉音乐元素的更大范围，这是本文的一个工作重点。