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

该研究使用MeasureVAE可解释的潜在维度的生成音乐XAI模型在爱尔兰民间音乐的训练数据集上进行了自传体研究，结果显示探索性的音乐创作流程突显了训练数据集的音乐特征而非生成模型本身的特征，XAI模型在迭代工作流中的应用显示出其成为比其最初设计用途更丰富和复杂工作流的潜力。

Aug, 2023

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

音乐是一种固有的社交活动，设计人工合作伙伴以展现类似社交体验的进展有限。研究表明，采用生成模型的神经网络架构适合生成音乐谱，但社交音乐演奏涉及超越乐谱的要素，需要与其他音乐家的想法相补和正确掌握节奏。研究使用一个经过训练的变分自动编码器神经网络与人类伙伴进行定时的问答式钢琴合奏任务，参与者对演奏质量和身临其境的自我他人整合体验进行了评分。虽然最简单设计和最高相似性参数的人工伙伴并未在某些指标上得到与人类伙伴不同的评分，但整体而言，人工伙伴的评分低于人类伙伴，这表明实现社交人工智能需要交互复杂性而非生成复杂性。

Feb, 2024

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

本研究探讨了进化生成算法在音乐制作中的应用，以保护和增强人类创造力。通过将人类反馈融入差分进化算法，我们创作了六首歌曲，这些歌曲被提交给国际唱片公司，都收到了合同的邀约。除了测试这些方法的商业可行性之外，本文还考察了使用传统机器学习方法与进化算法进行内容生成的长期影响。当前的生成技术继续扩大规模，计算机生成内容超过人类创造的潜力逐渐增大，这种趋势带来了风险，即耗尽人类创建的训练数据库，可能导致生成机器学习模型越来越依赖于其随机输入函数用于生成新内容。与无目标随机函数引导的内容生成未来相比，我们的方法允许个性化的创造性探索，确保计算机辅助内容生成方法始终以人为中心并具有文化相关性。

Jun, 2024

本研究系统回顾了人工智能在音乐生成领域的最新进展，针对技术、模型、数据集和评估方法进行了分类与比较，填补了对各种技术理解的空白。论文的主要贡献在于提供了完整的参考框架，探讨了AI音乐生成在实时交互和跨学科应用中的实用影响，并提出了未来研究方向与现存挑战。

Sep, 2024

本研究探讨了在基础模型研究进展背景下，音乐生成AI应用的研究空间。文章提出了生成模型的基础表示和可解释性的问题，评估了音乐数据集的现状及其局限性，并探讨了生成模型的应用与版权保护策略。研究为音乐AI领域的未来研究方向提供了重要见解。

Sep, 2024