本文介绍了一种基于文本的 LSTM（长短时记忆）网络的新方法，并讨论了其在自动音乐作曲方面的应用，研究表明采用基于词的 RNNs 对和弦进行学习的效果较好，该系统可用于完全自动的音乐创作或辅助人类通过调节模型的多样性参数来创作音乐。

Apr, 2016

该研究提出了 BachProp 算法，它是一种机器学习算法，可以生成符合任何风格的音乐。通过使用新颖的标准化乐曲表示方法，该算法能够对特定音乐类型进行训练，并通过评估表明其生成的乐曲质量不逊于原始的乐曲。

Feb, 2018

使用 LSTM 网络在音乐生成中得到了初步的应用，该方法是一种在深度学习中具有广泛应用的序列建模方法。

Mar, 2022

本文采用深度学习方法，具体来说是 LSTM 网络，用于音乐转录建模和创作，使用大约 23,000 个高级词汇（ABC 符号）表示的音乐转录来构建和训练 LSTM 网络，并用其生成新的转录。实际目的是在特定的音乐创作情境中创建有用的音乐转录模型，我们从三个方面展示了结果：1）在种群水平上，比较训练转录和生成转录集的描述性统计数据；2）在个体水平上，研究生成的转录如何反映训练转录中音乐实践的惯例（凯尔特民间音乐）；3）在应用级别上，使用该系统进行音乐创作的创意生成。我们开放和提供了我们的数据集、软件和声音示例：https://github.com/IraKorshunova/folk-rnn。

Apr, 2016

本研究探讨了应用循环神经网络识别音乐中传达的情感，旨在通过将音乐调整到适合听众的情感状态，增强音乐推荐系统并支持治疗干预。我们使用 Russell 的情感象限将音乐分类为四个不同的情感区域，并开发了能够准确预测这些类别的模型。我们的方法涉及使用 Librosa 提取全面的音频特征，并应用各种循环神经网络架构，包括标准 RNN，双向 RNN 和 LSTM 网络。初步实验使用包含 900 个已标记情感象限的音频片段数据集进行，我们将神经网络模型的性能与一组基准分类器进行比较，并分析其在捕捉音乐表达中固有的时间动态方面的有效性。结果表明，在较小的数据集中，较简单的 RNN 架构的表现可能与更复杂的模型相当甚至更优。我们还在较大的数据集上应用了以下实验：一是基于我们原始数据集进行的增强，另一是来自其他来源。这项研究不仅增进了我们对音乐情感影响的理解，还展示了神经网络在创建更个性化和情感共鸣的音乐推荐和治疗系统方面的潜力。

May, 2024

本文介绍了一种分层递归神经网络用于创作旋律的方法，该方法通过多个 LSTM 子网络从粗到细逐层生成小节结构、节奏结构和音符，通过两个人类行为实验证明了这种结构相对于单层 LSTM 和现有的 MIdiNet 和 MusicVAE 模型更适合创作旋律。

Dec, 2017

本文提出了使用卷积变分递归神经网络对音乐进行特征捕捉和创作新音乐序列的模型，通过编码器 - 解码器架构和概率连接捕获音乐的隐藏结构，并使用 Variable Markov Oracle 方法对不同神经网络类型的性能进行比较，结果表明所提出的模型具有更好的统计相似性和更好地保留了原始音乐的风格。

Oct, 2018

利用循环神经网络，模拟学习了披头士音乐风格和音乐知识，能够在较小人为干预下生成类似披头士风格的音乐作品，并融合音乐理论知识提高音乐质量和结构，生成音乐样品经过专业人士的验证和主观音乐测试，发现其在音乐风格，专业质量和趣味性方面与原作较为接近。

Dec, 2018

使用分层循环神经网络生成流行音乐，并在人类实验研究中表现出与谷歌最近的生成方法相比的效果优势，同时展示了基于该框架的神经舞蹈和卡拉 OK，以及神经故事唱法两种应用。

Nov, 2016

本研究尝试使用深度神经网络建立生成模型，以生成既有和声和旋律，并且足以通过人类作曲的音乐，并利用端到端学习和生成的方法。

Jun, 2016