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

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

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

本文对智能音乐生成技术进行了综合调查和分析，提出了关键讨论，明确了各自的特点，并通过表格进行了总结。我们首先介绍了如何将音乐作为信息流进行编码和相关数据集，然后比较了不同类型的生成算法，总结了它们的优点和缺点，并讨论了现有的评估方法。最后，研究了人工智能在音乐创作方面的发展，特别是比较了东西方音乐生成技术的不同特点并分析了该领域的发展前景。

Nov, 2022

我们提供了一篇综合调查报告，介绍了包括研究项目和商业应用在内的人工智能音乐生成工具。通过对音乐生成方法进行分类，我们发现参数化、基于文本和基于视觉的三种方法。调查重点展示了这些工具的多样性和功能特点，适用于普通听众和专业音乐人。每个工具都有自己的优点和限制，因此我们编制了一份综合列表，用于在选择过程中考虑这些因素。此外，我们的调查揭示了人工智能音乐生成的底层机制和挑战。

Aug, 2023

本文综述了音频生成中深度学习模型开发所使用的典型技术，包括音频表示、深度学习架构变体及其实际应用，以及常用的评估指标。该文章旨在为音频生成领域的初学者和新手提供对当前最先进的音频生成方法及相关研究的全面理解，以供未来研究探索。

May, 2024

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

本文讨论了如何使用 AI 系统来模拟人类音乐创作的过程，同时分析了用于音乐生成的数据集、模型、用户界面以及未来的应用和研究方向。

Oct, 2022