来自 PI 的歌曲:用于流行音乐生成的可信音乐网络
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
提出了一种符号音乐生成模型,使用了歌曲结构图分析网络构建了一个图,利用音符序列和乐器等信息作为节点特征,音符序列之间的相关性作为边特征。通过训练图神经网络来获取图中节点的表示,然后将节点表示作为 Unet 的输入生成 CONLON 钢琴滚动图像潜变量。实验结果表明,该模型可以生成全面形式的音乐,为符号音乐生成提供了一种有前景且创新的方法,并在音乐信息检索的各个领域,包括音乐创作、音乐分类和音乐修复系统中具有潜在的应用价值。
Dec, 2023
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
通过基于预测编码的神经网络模型研究人类音乐感知,模型经过大量 Classic 音乐和流行旋律训练后,发现预测误差依赖于音符,音高间隔和时间上下文等信息,提示可用预测编码神经网络来表征影响音乐感知的特征和主题。
Oct, 2022
本文提出了一种基于序列到序列框架,利用神经编码器和分层解码器,结合自然语言和旋律创作音乐曲调及准确标定的模型,并在 18,451 首流行歌曲中的歌词 - 旋律匹配对上进行了实验,论文通过人工评估证明了模型生成的旋律比基线模型更优秀。
Sep, 2018
提出了一种计算机音乐作曲框架,利用鲁棒传播 (RProp) 和 长短期记忆 (LSTM) 循环神经网络,成功展示 LSTM 网络适当学习音乐的结构和特征,同时显示利用 RProp 预测现有音乐的结果优于 BPTT。
Dec, 2014
通过整合多个 RNN 模型,本研究提出了一个系统,旨在协同人类进行音乐创作,使创作过程更具多样性,通过根据反馈动态调整用户创意意图,系统增强了生成符合用户偏好和创意需求的旋律的能力,通过对具有不同背景的作曲家的实验验证了系统的有效性,进一步完善了音乐创作的可能性,突显了作曲家与人工智能的互动在使音乐创作更加个性化和易于接触方面的重要性,这个系统代表了将人工智能整合到创作过程中的一步,提供了一个新的音乐创作支持和协同艺术探索的工具。
Mar, 2024
近年来,机器学习,特别是生成对抗神经网络(GANs)和基于注意力的神经网络(transformers),已成功用于作曲和生成音乐,包括旋律和多声部作品。然而,现有研究主要集中在风格复制和转换的问题上,并未涉及到人机共同创作和评估。本文综述了音乐表征、特征分析、启发式算法、统计和参数建模,人类和自动化评估措施,并讨论了哪种方法和模型最适合于实时互动。
Feb, 2024