ICMLDec, 2016

DeepBach：用于生成巴赫赞美诗的可控模型

PDF
TL;DRDeepBach 是一种基于深度学习的图形模型，能够模拟复调音乐，尤其是像赞美诗般的乐曲，在通过 Johann Sebastian Bach 的音乐和众多和声的基础上，通过伪 Gibbs 采样的方法生成高度可信、具有巴赫风格的合唱曲。此外，该模型还提供了一个 MuseScore 音乐编辑器插件，易于使用。
发现论文，激发创造
  • 巴赫还是模仿？J.S. Bach 风格赞美诗的分级函数

    本文介绍了一种基于评分函数的评估方法，该评估方法评估四声部赞美诗是否符合巴赫音乐风格，使用该方法评估了 Transformer 模型的输出，证明该函数具有解释性且在区分巴赫和模型生成的赞美诗方面优于人类专家。

    Jun, 2020

  • 带有可控和声的按和弦演奏的旋律和声化

    本文提出了 DeepChoir 这样一个旨在生成和声的音乐系统，通过特定的和弦进程生成给定旋律的四声部赞美诗曲子，实验结果表明该系统的音乐表示和深度学习方法的有效性以及生成赞美诗的可控性。

    Feb, 2022

  • BachProp: 在多种风格中学习作曲

    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

  • 基于图的多音轨音乐生成

    该论文在音乐生成的深度学习系统中引入了一种新颖的图表示方法和深度变分自编码器，将音乐的结构和内容分开生成，实现了更具层次结构的人机交互音乐创作方式。

    Jul, 2023

  • 音乐的深度学习

    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

  • DeepJ: 风格特定音乐生成

    本文引入了 DeepJ 这一端到端的生成模型，能够在特定的作曲家风格混合条件下进行音乐创作；该模型包括学习音乐风格和音乐动力学等多种创新方法，通过人类评价表明该模型在风格迁移方面优于 Biaxial LSTM 方法。

    Jan, 2018

  • 基于指数族方法的多声部音乐风格模拟和和弦创作

    通过使用最大熵原理，我们提出了一个统计模型来创作和复制多声部的音乐，并能够发明新的和声并用于多种不同音乐风格的交互性音乐生成。

    Sep, 2016

  • 基于级联扩散模型的符号音乐整曲层次生成

    本文提出了基于组成层次结构实现完整音乐作品建模的方法，通过定义一种分层语言对流行歌曲的符号化表示进行建模。通过级联扩散模型训练了分层语言模型，实验证明该模型能够生成具有可识别的全局歌词 - 副歌结构和协调音的完整音乐作品，且音乐质量高于基准模型。此外，还展示了该模型具有灵活的可控性，用户可以通过从可解释的分层语言中采样或调整预训练的外部表示来控制音乐的流动。

    May, 2024

  • 合唱变换器：使用变换器上的相对注意力生成多音乐

    提出了一种适用于多声部音乐生成的神经网络模型 Choir Transformer，并引入了相对位置注意力机制以更好地建模音乐的结构，提出了适用于多声部音乐生成的音乐表示方法。Choir Transformer 的性能超过了之前最先进的准确率达到 4.06%。实验证明其和巴赫音乐的和声度接近。在实际应用中，生成的旋律和节奏可以根据特定输入进行调整，从而产生不同风格的音乐，如民谣音乐或流行音乐等。

    Aug, 2023

  • 学习可解释的控制式复调音乐生成的表示

    本文提出了一种基于 VAE 的音乐分离模型，用于将和弦和纹理这两个可解释的因子分离出来，从而实现音乐生成过程的可控，在生成音乐时具有广泛的应用，包括作曲风格转换、纹理变化和伴奏编排，并通过客观和主观评价证明了该方法的成功分离和高质量的音乐生成。

    Aug, 2020