DeepRapper 是一种基于 Transformer 的说唱生成系统，可以模拟说唱的韵律和节奏，通过逆向生成具备韵律表现形式的歌词，并在其中插入特殊符号以表现节奏，在宏观和微观层面上评估显示 DeepRapper 生成的歌曲质量高且具有创造性。

Jul, 2021

本文提出将乐谱数据表示成具有韵律结构的形式，通过开发更好的数据输入方式，我们建立了一个节奏更流畅的 Pop 钢琴音乐生成模型 - Pop Music Transformer。

Feb, 2020

本文研究在深度学习任务中，如何使用符号音乐模态并采用 Byte Pair Encoding (BPE) 对音乐数据进行字符编码，以提高音乐生成和作曲家分类模型的性能和均匀度。

Jan, 2023

本文提供了英语和德语的大型诗歌语料库，并注释了较小语料库中的韵律特征以训练神经模型，以实现鲁棒性大规模分析。我们表明，具有音节嵌入的双向 LSTM-CRF 模型胜过 CRF 基线和不同的 BERT-based 方法。在多任务设置中，特定有益的任务关系说明了诗歌特征的相互依赖。

Feb, 2021

本文提出了一种联合架构，用于捕捉十四行诗的语言、韵律和节奏。我们使用众包和专家评估生成的诗歌的质量。研究表明专家评估对诗歌生成的重要性，并且未来的研究应该超越韵律、节奏，注重诗意语言。

Jul, 2018

本文研究了在符号音乐生成中，应用子词分词技术（如 Byte-pair Encoding）对生成歌曲结构和长度的影响，以及与音乐生成质量指标（如结构指标，Pitch Class Entropy 等）之间的关系。结果表明子词分词技术有望改善符号音乐生成质量，尤其是在生成多轨复杂数据时具有广泛的实际应用价值。比较 BPE 和 Unigram 两种方法的结果得出，两种方法均能带来稳定的改进。

Apr, 2023

本文研究了英语和西班牙语诗歌韵律的计算机自动分析，证明了基于字符的神经模型学习的表示比手工特征更为信息丰富，并且 Bi-LSTM+CRF 模型在诗歌节奏分析方面有着最高的准确率，同时说明整个词结构而不是单独音节的信息对诗歌节奏分析至关重要。

Nov, 2017

本研究提出了一种无监督的方法来生成符合任何指定的韵律和押韵方案的诗歌，利用变形器语言模型通过在常规的非诗歌语料库中拆分短语，并在每个短语前添加描述其长度和结束韵的控制代码进行训练。实验表明，这种方法能够生成有效的诗歌，并且与人类写的诗歌在质量上相当。

May, 2022

通过混合互动与知识理解特点将大型语言模型与现有符号音乐生成模型有机结合，我们提出了 ByteComposer 框架，该框架模拟了人类创作者的创作流程，通过四个独立步骤：概念分析 - 草稿创作 - 自我评估和修改 - 审美选择，实现了与人类创作者相媲美的旋律创作代理。我们在 GPT4 和几个开源的大型语言模型上进行了大量实验，实验证实了我们框架的有效性。此外，我们还邀请了专业音乐作曲家进行了多维度评估，最终结果表明在音乐创作的各个方面，ByteComposer 代理达到了初学者作曲家的水平。

Feb, 2024

通过本文介绍的一种基于本地序列对齐的无监督方法，将诗歌文本编码为一系列韵律特征的字符串，从而检测诗歌中的结构相似性，以便进行跨语言和历史研究。

Apr, 2024