显式条件化的旋律生成：以相互依赖 RNN 为例

符号音乐的深度生成模型通常旨在建模音乐中的时间依赖关系，从而根据先前事件预测下一个音乐事件。在许多情况下，这类模型被期望从原始音乐数据中学习诸如和声、节拍与节奏等抽象概念，而无需任何额外信息。在本研究中，我们考察了以音乐相关信息对深度生成模型进行显式条件化的效果。具体而言，我们研究了四种不同条件输入对循环单声部旋律生成模型性能的影响。这些条件输入的若干组合被用于训练不同模型变体，随后通过三种客观评价范式在两种音乐体裁下进行评估。结果表明，音乐相关条件化显著改善了学习与性能，并揭示了该信息如何影响与音高和节奏相关的音乐特征的学习。一项非正式主观评价表明生成结果在审美质量上也有相应提升。