基于语法增强神经网络与音符级编码的音乐作曲
机器学习
2019-03-25 v2 人工智能
声音
摘要
创作包括音乐在内的美学上令人愉悦的艺术作品，一直是人工智能研究的长期目标。尽管长短期记忆（LSTM）循环神经网络（RNN）在序列学习方面近期取得了成功，但 LSTM 神经网络本身尚无法生成符合音乐理论且听感自然的音乐。为超越这一不足，我们提出了一种新颖的音乐作曲方法，将 LSTM 与受音乐理论启发的语法相结合。音乐理论的主要原则被编码为训练数据上的语法增强（GA）过滤器，从而使机器能够被训练生成既继承原始数据集中人类创作作品的自然性，又遵循音乐理论规则的音乐。与以往方法不同，音高和时值被编码为一个语义实体，我们称之为音符级编码。这使得音乐理论语法的实现更为简便，并能更贴近地模拟音乐家的思维模式。尽管 GA 规则仅应用于训练数据，而从未直接作用于 LSTM 的音乐生成过程，我们的机器仍能创作出遵循音乐理论、具有高比例自然音阶音符、小音程及和弦的音乐。
引用
@article{arxiv.1611.05416,
title = {Composing Music with Grammar Argumented Neural Networks and Note-Level Encoding},
author = {Zheng Sun and Jiaqi Liu and Zewang Zhang and Jingwen Chen and Zhao Huo and Ching Hua Lee and Xiao Zhang},
journal= {arXiv preprint arXiv:1611.05416},
year = {2019}
}
备注
6 pages, 4 figures