智能音乐生成系统评述
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
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
本研究探讨了进化生成算法在音乐制作中的应用,以保护和增强人类创造力。通过将人类反馈融入差分进化算法,我们创作了六首歌曲,这些歌曲被提交给国际唱片公司,都收到了合同的邀约。除了测试这些方法的商业可行性之外,本文还考察了使用传统机器学习方法与进化算法进行内容生成的长期影响。当前的生成技术继续扩大规模,计算机生成内容超过人类创造的潜力逐渐增大,这种趋势带来了风险,即耗尽人类创建的训练数据库,可能导致生成机器学习模型越来越依赖于其随机输入函数用于生成新内容。与无目标随机函数引导的内容生成未来相比,我们的方法允许个性化的创造性探索,确保计算机辅助内容生成方法始终以人为中心并具有文化相关性。
Jun, 2024
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
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