제안된 모델은 4분 45초 길이의 음악을 텍스트 프롬프트로부터 생성할 수 있으며, 이는 기존 모델들보다 훨씬 긴 시간 범위를 다룰 수 있다. 이를 위해 고도로 압축된 연속 잠재 표현과 잠재 확산 모델을 활용한다.
