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

在视频游戏设计中，音频（包括环境背景音乐和物体音效）起着关键作用。我们探索了使用生成式人工智能根据用户生成的内容实时创建音乐和音效的方法，并讨论了使用生成式人工智能对用户生成内容进行音频生成的伦理问题。

Apr, 2024

机器听觉的研究聚焦于开发从音频信号中提取相关信息的技术，本文强调了在获取和标注具有上下文的数据方面的重要性，提出了一种综合的数据中心框架用于机器听觉项目，在资源受限的情况下实现配置录音节点、数据库结构和标注预算优化，通过使用专家标注员而非众包实现主动学习，以解决处理大规模、不断增长的数据集带来的计算资源和内存限制等问题。

May, 2024

通过进行控制性的心理物理实验，我们验证了模型预测与人工注释之间的一致性，鉴定出相对于广泛使用的度量方法更能与人类意见相符的评估指标，以填补评估研究在视觉质量、嘴唇音频同步和头部移动自然性方面的空白。我们相信我们的工作将促进性能评估和模型开发，为人工智能生成内容在更广泛的背景下提供洞察。

Mar, 2024

本研究探讨人工智能技术在音乐制作中的应用现状，通过问卷、半结构化访谈及网络论坛的分析，确认了三种使用者群体分别为业余用户、半职业用户和专业用户，发现业余用户可通过人工智能混音工具简化音乐制作过程并获得不错的效果，而半职业用户和专业用户则更追求精准控制和定制化选项，并且对辅助和协作技术有追求，最后提供了为不同使用者群体设计有效人工智能混音工具的策略和未来发展方向。

Apr, 2023

通过质性调查，我们发现创意专业人士对生成式人工智能的推动对创造力的定义和如何使用人工智能支持他们的工作流程产生了重要的影响，并基于这些反思，探讨了如何设计在创新专业领域中的 “参与式人工智能”，以目前和未来协同 AI 中赋予创意专业人士更大的权力。

Mar, 2023

研究发现生成音频模型研究中缺乏关注其潜在的负面影响和道德伦理问题，本文通过对 884 篇文献的系统文献综述，指出可能引发欺诈、深度伪造和版权侵犯等伦理问题需要重视。

Jul, 2023

施工行业的生成性人工智能技术的机会和挑战，以及基于自身数据构建定制生成性人工智能解决方案的框架的最新状态分析，为学术界和建筑专业人员提供综合分析和实用框架，以指导生成性人工智能技术在提高建筑行业的生产力、质量、安全性和可持续性方面的应用。

Feb, 2024