Jun, 2024

音乐情感操控 -- 基于深度学习的交互视觉方法

PDF
TL;DR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。
musicemotionai toolssemantic manipulation of musicdeep learning model
发现论文，激发创造
  • 音乐生成的语义调控：词语是否足够？

    音乐生成和表达情感之间的关系对于深度学习和自然语言处理的发展具有重要意义，并且有潜力在创意产业中提供强大的工具来推动和生成新的音乐作品。

    Nov, 2023

  • 基于深度神经网络的音频和歌词的音乐情感检测

    本研究考虑了基于音频信号和歌词的多模态音乐情绪预测任务，复现传统特征工程方法的基础上提出了一种基于深度学习的新模型，证明了新方法相较于传统模型更擅长于唤起用户的注意，而在情感预测上两种方法表现相当。此外，我们还比较了不同的融合方法，在同时优化各单模态模型时取得了较大的提升，并向公众发布部分数据以供参考。

    Sep, 2018

  • 通过情感学习生成音乐

    本文介绍了一个基于 Deep Learning 的生成模型，可用于自动根据所需情感生成音乐，并且可以用于标记音乐的情感分类，经实验证明，该模型的预测准确率较高。

    Mar, 2021

  • 探索与应用音频情感分析在音乐中

    通过对音乐情感的计算模型进行研究，本文试图预测音乐片段的情感变化以及确保平稳过渡的下一个情感值，以提供在治疗和音乐排队中的应用。

    Feb, 2024

  • 深度音频嵌入在音乐情感识别中的比较与分析

    本文研究深度音频嵌入技术对于音乐情感识别领域的应用，探讨了 L3-Net 和 VGGish 等深度音频嵌入方法在情感识别上的表现，结果表明这些方法可有效提高基线情感识别模型的性能，且不需要人工专家工程。

    Apr, 2021

  • 音乐多模态：从高级音频特征和歌词预测音乐情感

    本文旨在研究多模态方法是否能在高级歌曲特征和歌词上比单一模态更好地预测歌曲情感得分，结果显示多模态特征在预测愉悦度时比纯音频好，其中 5 种高级歌曲特征对模型性能的贡献最大。

    Feb, 2023

  • 歌曲情感识别：音频特征与人工神经网络性能比较

    通过提取音频特征使用数据驱动模型来识别毫无伴奏的歌曲中所表达的情感。

    Sep, 2022

  • 使用循环神经网络进行音乐情感预测

    本研究探讨了应用循环神经网络识别音乐中传达的情感，旨在通过将音乐调整到适合听众的情感状态，增强音乐推荐系统并支持治疗干预。我们使用 Russell 的情感象限将音乐分类为四个不同的情感区域，并开发了能够准确预测这些类别的模型。我们的方法涉及使用 Librosa 提取全面的音频特征，并应用各种循环神经网络架构，包括标准 RNN，双向 RNN 和 LSTM 网络。初步实验使用包含 900 个已标记情感象限的音频片段数据集进行，我们将神经网络模型的性能与一组基准分类器进行比较，并分析其在捕捉音乐表达中固有的时间动态方面的有效性。结果表明，在较小的数据集中，较简单的 RNN 架构的表现可能与更复杂的模型相当甚至更优。我们还在较大的数据集上应用了以下实验：一是基于我们原始数据集进行的增强，另一是来自其他来源。这项研究不仅增进了我们对音乐情感影响的理解，还展示了神经网络在创建更个性化和情感共鸣的音乐推荐和治疗系统方面的潜力。

    May, 2024

  • 情感感知音乐推荐系统：通过实时情感背景增强用户体验

    本研究通过将情感融入歌曲推荐过程中，引入了一种人工智能模型，能够准确检测用户的实时情感，并生成符合用户情感状态的个性化歌曲推荐，从而提升用户体验，创造更具共鸣和意义的听歌体验。

    Nov, 2023

  • 基于人工智能的情感音乐生成系统：方法及挑战综述

    本文综述了基于人工智能的情感音乐生成（AI-AMG）系统，包括其基本构成、核心算法、音乐特征及未来方向等。

    Jan, 2023