DeepBach 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。

Dec, 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

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

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

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 MUS-ROVER，这是一个自学习系统，用于从符号音乐中自动发现规则。通过 $n$-gram 模型，MUS-ROVER 进行特征学习以提取作曲规则，可用于机器和人类创作，并在巴赫的合唱中进行了评估。

Jun, 2016

本文提出了一种主观方法，通过向不同水平的用户询问与基本音乐原理相关的问题来评估基于 AI 的音乐作曲系统，以比较深度学习模型的最新发展情况，并给出了对于每个评估模型的每个用户水平的响应的结果。

Mar, 2022

本文提出了一种基于 Transformer 模型的两阶段框架，首先用 Compose & Embellish 方法创作出一个简单音乐谱，然后加入 Begleitungen 及其他表现手法， 明显缩小了当前技术与真实表演之间的差距，同时提高了乐曲的丰富性和连贯性，也可以对非钢琴数据进行预训练。

Sep, 2022

本文提出了基于 LSTM 递归神经网络的直接演奏音乐生成方法，同时预测音符的表现力、时间和动态变化，取得了良好的主观效果，并得到了专业作曲家和音乐家的反馈。

Aug, 2018

该论文介绍了一种生成结构化的、任意长度的音乐作品的方法，其中利用条件性生成模型创建了音乐片段，并通过转换连接这些片段，然后利用大型语言模型提出音乐形式建议。

Oct, 2023