Αυτή η εργασία παρουσιάζει μια συστηματική και συγκριτική ανάλυση των αρχιτεκτονικών βαθιάς μάθησης και των αλγοριθμικών διαδικασιών που απαιτούνται για τη μετατροπή μη δομημένων προτροπών φυσικής γλώσσας σε συνεχείς ακουστικές κυματομορφές. Αναλύονται πέντε αλγοριθμικά στάδια: οι μηχανισμοί διακριτοποίησης και ενσωμάτωσης κειμένου, η συμπίεση και διακριτοποίηση νευρωνικού ήχου μέσω κβαντοποίησης διανυσμάτων, τα διασταυρούμενα επίπεδα δομικής χαρτογράφησης όπως μηχανισμοί βελτιστοποίησης που χρησιμοποιούν αλγόριθμους βασισμένους σε διαβάθμιση και οι χρονοπρογραμματιστές δειγματοληψίας συμπερασμάτων χρόνου εκτέλεσης. Επιπλέον, εξετάζονται τα δύο κυρίαρχα γενετικά παραδείγματα: η Αυτοπαλίνδρομη Μοντελοποίηση Γλώσσας και τα Μοντέλα Λανθάνουσας Διάχυσης. Αναλύεται πώς τα αυτοπαλίνδρομα συστήματα αντιμετωπίζουν τη δημιουργία μουσικής ως ένα διαδοχικό πρόβλημα πρόβλεψης διακριτικών σε σχέση με αρχιτεκτονικές που βασίζονται στη διάχυση και συνθέτουν ήχο αφαιρώντας επαναληπτικά τον θόρυβο από έναν λανθάνοντα χώρο μέσω ντετερμινιστικών χρονοπρογραμματιστών. Κάθε παράδειγμα αξιολογείται χρησιμοποιώντας αντικειμενικές μετρήσεις αναφοράς όσον αφορά την ακουστική πιστότητα ενός παραγόμενου ήχου, βαθμολογίες εξάρτησης και σύνδεσης του ήχου με την φυσική γλώσσα και βαθμολογίες μέσης γνώμης που αξιολογούν την αντιληπτική ποιότητα ενός μηχανικά δημιουργημένου ήχου.

This paper presents a systematic and comparative analysis of deep learning architectures and algorithmic processes required to transform unstructured natural language prompts into continuous acoustic waveforms. Five algorithmic stages are analyzed: tokenization and text embedding mechanisms, neural audio compression and discretization via vector quantization, cross-layer structural mapping such as optimization mechanisms using gradient-based algorithms, and runtime inference sampling schedulers. In addition, the two dominant genetic paradigms are examined: Autoregressive Language Modeling and Latent Diffusion Models. It analyzes how autoregressive systems approach music creation as a sequential discriminator prediction problem relative to diffusion-based architectures that synthesize sound by iteratively removing noise from a latent space via deterministic schedulers. Each example is evaluated using objective benchmark measures of the acoustic fidelity of a produced sound, scores of dependence and connection of the sound to natural language, and mean opinion scores that assess the perceptual quality of a mechanically generated sound.