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

音乐生成和表达情感之间的关系对于深度学习和自然语言处理的发展具有重要意义，并且有潜力在创意产业中提供强大的工具来推动和生成新的音乐作品。

Nov, 2023

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

本研究提出了一种基于数据驱动框架的交互界面，利用神经网络对音乐乐谱的特定因素进行数值编码，并将表演中的表现参数建模为得分特征的函数，使用户可以探索音乐乐谱结构元素和表现参数之间的关系。

Jun, 2019

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

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

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

本文提出将乐谱数据表示成具有韵律结构的形式，通过开发更好的数据输入方式，我们建立了一个节奏更流畅的 Pop 钢琴音乐生成模型 - Pop Music Transformer。

Feb, 2020

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