Nov, 2023

音乐生成是否能够为 MIR 任务创建训练数据？

PDF
TL;DR通过使用基于人工智能的生成音乐系统为音乐信息检索（MIR）任务生成训练数据，我们探讨了更广泛的概念。为了启动这个研究方向，我们进行了一项初步实验，利用 MusicGen 创建了一个完全人工的音乐数据集，在此基础上我们训练了一个流派分类器。我们制作了超过 50,000 个以流派为条件的文本描述，并生成了一系列覆盖五种音乐流派的音乐片段。我们的初步结果表明，所提出的模型能够从人工音乐曲目中学习到流派特定的特征，并在现实世界的音乐录音中推广得很好。
发现论文，激发创造
  • 音乐类型分类：训练一个 AI 模型

    通过使用机器学习算法和从音频信号提取的特征进行音乐流派分类，本研究旨在评估机器学习模型在流派分类中的鲁棒性并进行结果比较。

    May, 2024

  • 在音乐生成的持续数据集扩充中融入音乐知识

    本文提出了一种在数据来源有限的情况下为任何音乐生成系统进行数据集扩充的方法，称为 Aug-Gen，其使用的核心思想是通过系统训练期间产生的高质量和多样化的样本来增强生成系统的训练数据，然后应用于 J.S. Bach 风格的变换器合唱生成，显示出更好的生成输出。

    Jun, 2020

  • 互动背景下的音乐生成调查

    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

  • 智能音乐生成系统评述

    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

  • 音乐生成的人工智能调查：代理、领域和视角

    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

  • 简单且可控的音乐生成

    本文介绍了 MusicGen 这个单一语言模型，能够生成高质量的音乐样本，实现对文本描述或旋律特征的有条件创作，并经过广泛的实证评估，表明其在标准的文本到音乐基准上优于其他模型。

    Jun, 2023

  • StemGen: 一种音乐生成模型

    使用深度学习技术的音乐音频的端到端生成最近有很大活动。本文提出了一种替代范式，用于生成能够听取和响应音乐上下文的音乐生成模型。使用非自回归、基于 Transformer 的模型架构构建了这样一个模型，并提出了一系列新颖的架构和采样改进方法。我们在开源和专有数据集上训练了这个描述的架构。我们使用标准质量度量和基于音乐信息检索描述符的新方法来评估生成的模型。所得到的模型在音频质量上达到了最先进的基于文本的模型水平，并且在音乐连贯性方面表现出很强的上下文关联性。

    Dec, 2023

  • 从音频中学习识别音乐流派

    介绍以开放数据为基础的音乐流派识别挑战，包括设计、统计数据和结果。

    Mar, 2018

  • 符号音乐生成和信息检索的自然语言处理方法：一项调查

    本文是一篇调查论文，研究了将自然语言处理（NLP）方法应用于符号音乐生成和信息检索的研究，提出了符号音乐的表示方法和深度学习模型，并讨论了 NLP 工具在符号音乐数据中的有效使用以及进一步研究的可能性。

    Feb, 2024

  • 运用迁移学习技术提高自动爵士旋律生成

    使用转移学习解决 Jazz 音乐中数据不足和乐曲自动生成的问题。实验使用两种转移学习方法，其中添加流派标签和使用流派分类器的模型比单独使用 Jazz 数据集更好，但不能充分利用流派不指定的数据集。

    Aug, 2019