神经基础音乐生成的智能复制
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
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
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
通过整合多个 RNN 模型,本研究提出了一个系统,旨在协同人类进行音乐创作,使创作过程更具多样性,通过根据反馈动态调整用户创意意图,系统增强了生成符合用户偏好和创意需求的旋律的能力,通过对具有不同背景的作曲家的实验验证了系统的有效性,进一步完善了音乐创作的可能性,突显了作曲家与人工智能的互动在使音乐创作更加个性化和易于接触方面的重要性,这个系统代表了将人工智能整合到创作过程中的一步,提供了一个新的音乐创作支持和协同艺术探索的工具。
Mar, 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
我们介绍了一种使用 AI 工具来操纵歌曲情感内容的新方法。我们的目标是在尽可能保持原有旋律的情况下实现所需情感。为此,我们创建了一个交互式流程,能够将输入的歌曲转换为与之截然相反的情感,并通过 Russel 的 Circumplex 模型对结果进行可视化。我们的方法是对现有音乐情感内容进行语义操作的概念验证,这是一个旨在修改现有音乐情感内容的新领域。我们设计了一个深度学习模型,能够评估我们对关键部分、SoundFont 乐器设备以及其他音乐特征的修改准确性。我们的模型准确度与 4Q Emotion 数据集上的最新技术水平相符。通过进一步改进,这项研究可能为按需定制音乐生成、现有作品的自动混音以及情感进展调整的音乐播放列表做出贡献。
Jun, 2024