Jan, 2018

DeepJ: 风格特定音乐生成

PDF
TL;DR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。
deep neural networksmusic compositiongenerative modelstyle transferbiaxial lstm
发现论文，激发创造
  • 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

  • 互动背景下的音乐生成调查

    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

  • 从人工神经网络到深度学习在音乐生成中的历史、概念和趋势

    本文介绍了基于深度学习技术的音乐生成方法，包括早期使用人工神经网络的作品和最近的系统，使用现代深度学习技术和控制手段生成具有不同音乐风格的音乐。

    Apr, 2020

  • 通过情感学习生成音乐

    本文介绍了一个基于 Deep Learning 的生成模型，可用于自动根据所需情感生成音乐，并且可以用于标记音乐的情感分类，经实验证明，该模型的预测准确率较高。

    Mar, 2021

  • 深度音乐生成综述：多层表征、算法、评价及未来方向的全面调查

    本研究概述了当前流行的各种利用深度学习算法进行不同音乐生成层次的生成音乐任务，并总结了适用于各种任务的数据集、音乐表示、评估方法以及挑战，同时指出了几个未来的研究方向。

    Nov, 2020

  • 深度节奏：让每个人都创作音乐

    该研究采用深度学习方法，实现基于输入节拍生成单声部旋律的任务，提出了三种有效的方法，并结合差异化、谐和性和结构特点，允许任何人通过输入节拍或现有作品的旋律来创作自己的音乐作品。

    Jun, 2023

  • 用于音乐生成的深度学习技术 -- 综述

    本文介绍和分析运用人工神经网络生成音乐的不同方法，提出五个维度分析框架，包括目标、表示法、体系结构、挑战和策略，通过比较分析不同模型和技术，提出了一种新的多维分类法，并举例说明了目标、表示法、体系结构、挑战和策略的各种选择。

    Sep, 2017

  • 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

  • 使用深度学习进行音乐转录建模和创作

    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

  • JEN-1 Composer: 一套高保真多轨音乐生成的统一框架

    通过 JEN-1 Composer 框架，我们提出了一种统一的方法，通过一个模型来有效地建模多轨音乐的边际、条件和联合分布，从而实现了灵活生成多轨音乐。我们引入了一种课程培训策略，让模型逐步掌握从单轨生成到灵活生成多轨组合的过渡。量化和定性评估表明，JEN-1 Composer 在可控性和高保真多轨音乐合成方面具有最先进的性能，为交互式 AI 辅助音乐创作和作曲提供了重要进展。

    Oct, 2023