- ComposerX: 多智能体符号音乐创作与 LLMs
通过引入一个基于代理的符号音乐生成框架 ComposerX，我们进一步探索和提升 LLMs 在音乐创作中的潜力，结果表明 ComposerX 能够产生具有吸引力的连贯多声部音乐作品，并遵守用户的指导。
- 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 - MM深度节奏：让每个人都创作音乐
该研究采用深度学习方法，实现基于输入节拍生成单声部旋律的任务，提出了三种有效的方法，并结合差异化、谐和性和结构特点，允许任何人通过输入节拍或现有作品的旋律来创作自己的音乐作品。
- 通过深度学习从任意语言提示生成鼓律场景
本文介绍了一种新的基于语言提示生成音乐鼓点的方法，同时开发了提取歌曲鼓点的新方法，这为计算机辅助音乐制作提供了可能，并为更全面的节奏生成提供了基础。
- 褪黑素”: 一项由人工智能引发的音乐风格研究
本文介绍了通过对使用 AI 工具创作的音乐进行分析来获得洞见的案例研究，以歌曲 “褪黑素”(Melatonin) 为例，分析了该歌曲的风格特征，突出了该工具的流派和声音的表现形式。
- MM教 Qubit 唱歌：任务不可能？
本文介绍了一种通过学习已有乐曲来创作新曲目的系统，系统利用输入的音乐数据提取序列生成规则并使用量子电路来模拟和生成新曲目，此方法可以通过量子态的幅度来自然地表示音乐生成规则。在论文中，通过实例介绍了我们的新型生成音乐方法，并进行了一些实验以 - 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。
- 流行音乐变压器：基于节拍的建模和生成富有表现力的流行钢琴作品
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。
- 卷积的反向旋律
该研究使用卷积神经网络和阻塞 Gibbs 抽样方法生成音乐，比传统生成方法更加人性化和高质量。
- BandNet: 基于神经网络的多乐器披头士风格 MIDI 音乐作曲机
利用循环神经网络，模拟学习了披头士音乐风格和音乐知识，能够在较小人为干预下生成类似披头士风格的音乐作品，并融合音乐理论知识提高音乐质量和结构，生成音乐样品经过专业人士的验证和主观音乐测试，发现其在音乐风格，专业质量和趣味性方面与原作较为接近 - 从歌词中生成神经元旋律
本文提出了一种基于序列到序列框架，利用神经编码器和分层解码器，结合自然语言和旋律创作音乐曲调及准确标定的模型，并在 18,451 首流行歌曲中的歌词 - 旋律匹配对上进行了实验，论文通过人工评估证明了模型生成的旋律比基线模型更优秀。
- ICMLBachProp: 在多种风格中学习作曲
该研究提出了 BachProp 算法，它是一种机器学习算法，可以生成符合任何风格的音乐。通过使用新颖的标准化乐曲表示方法，该算法能够对特定音乐类型进行训练，并通过评估表明其生成的乐曲质量不逊于原始的乐曲。
- DeepJ: 风格特定音乐生成
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。
- 使用深度学习进行音乐转录建模和创作
本文采用深度学习方法，具体来说是 LSTM 网络，用于音乐转录建模和创作，使用大约 23,000 个高级词汇（ABC 符号）表示的音乐转录来构建和训练 LSTM 网络，并用其生成新的转录。实际目的是在特定的音乐创作情境中创建有用的音乐转录模