序列音乐生成任务中不同音高与节拍网格编码方法的对比分析

音高与节拍是基于符号的音乐生成任务的两个基本音乐特征，研究者通常根据特定目标选择不同编码方法。然而，不同编码方法的优劣鲜有讨论。本文对基于 token 的序列音乐生成模型中两个底层特征（音高与节拍）的影响进行了综合分析。首先，比较了常用的 MIDI 数字编码与较少使用的类-八度编码。其次，将稠密的小节内节拍网格作为辅助特征施加于编码序列。比较了不同复杂度与分辨率的节拍网格。对于复杂度，比较了单 token 方法与多 token 方法；对于网格分辨率，比较了 0（消融）、1（小节级）、4（强拍级）、12（八分三连音级）直至 64（六十四分音符网格级）；对于时值分辨率，比较了每拍 4、8、12 和 16 细分。所有不同编码在分别训练的 Transformer-XL 模型上针对旋律生成任务进行测试。就若干客观评价指标对测试集的分布相似性而言，结果表明类-八度编码在音高相关指标上显著优于想当然的 MIDI 编码；更细网格与多 token 网格改善了节奏质量，但在训练早期也出现过拟合。结果从音高嵌入空间与单 token 网格编码的测试损失两方面展示了过拟合的普遍现象。从实践角度，我们既证明了使用更小网络与更低嵌入维度的可行性，也提出了该生成任务易过拟合问题的担忧。发现亦有助于未来模型的特征工程。