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

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

本文提出了三个基于生成对抗网络的符号化多轨音乐生成模型，并通过客观和主观的评估方法证明了这些模型的有效性。此外，该文还介绍了一些评估生成结果的标准，并通过与人类协作音乐生成的实验进行探讨。

Sep, 2017

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

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

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