BackgroundMellow：面向叙事文本的多模态电影感声音景观生成框架

BackgroundMellow将长篇叙事转化为分层、同步的电影感声音景观，采用主控—专家智能体架构拆解音频线索，并分别生成环境声、音乐等内容后混音。系统基于Tango2潜在扩散模型与专业配乐检索器，使用NLP模块预测声音的开始时间、持续时长和相对响度；论文以YouTube电影预告片数据集，通过近邻检索评估同步性、覆盖率和频谱丰富度。