CN109346043A - 一种基于生成对抗网络的音乐生成方法及装置 - Google Patents
一种基于生成对抗网络的音乐生成方法及装置 Download PDFInfo
- Publication number
- CN109346043A CN109346043A CN201811257179.3A CN201811257179A CN109346043A CN 109346043 A CN109346043 A CN 109346043A CN 201811257179 A CN201811257179 A CN 201811257179A CN 109346043 A CN109346043 A CN 109346043A
- Authority
- CN
- China
- Prior art keywords
- signal
- music
- polyphony
- random
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H1/00—Details of electrophonic musical instruments
- G10H1/0008—Associated control or indicating means
- G10H1/0025—Automatic or semi-automatic music composition, e.g. producing random music, applying rules from music theory or modifying a musical piece
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
- G10H2210/101—Music Composition or musical creation; Tools or processes therefor
- G10H2210/145—Composing rules, e.g. harmonic or musical rules, for use in automatic composition; Rule generation algorithms therefor
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
- G10H2210/101—Music Composition or musical creation; Tools or processes therefor
- G10H2210/151—Music Composition or musical creation; Tools or processes therefor using templates, i.e. incomplete musical sections, as a basis for composing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Electrophonic Musical Instruments (AREA)
Abstract
本发明实施例提供了一种基于生成对抗网络的音乐生成方法及装置,本发明涉及人工智能技术领域,该方法包括:获取音乐训练信号,音乐训练信号包括多轨复调音乐真实信号及多个预设音轨的音乐真实信号;从音乐训练信号中提取特征矩阵,作为音乐训练样本数据;构建生成对抗网络模型,训练生成对抗网络模型,获得训练好的生成对抗网络模型的网络参数;获取用户输入的音乐随机信号;将音乐随机信号输入生成对抗网络模型,以使生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号。本发明实施例提供的技术方案解决现有技术中难以生成多个音轨之间协调的复调音乐的问题。
Description
【技术领域】
本发明涉及人工智能技术领域,尤其涉及一种基于生成对抗网络的音乐生成方法及装置。
【背景技术】
音乐通常由多个乐器/音轨组成,并具有各自的时间动态,音乐会随着时间的推移而相互依存地展开。自然语言生成和单音音乐生成的成功不容易普及到复调音乐。大多数现有技术选择以某种方式简化复调音乐的生成以使问题易于管理。这种简化包括:仅生成单轨单声道音乐,为复调音乐引入音符的时间顺序等。
因此,如何生成多个音轨之间协调的复调音乐成为目前亟待解决的问题。
【发明内容】
有鉴于此,本发明实施例提供了一种基于生成对抗网络的音乐生成方法及装置,用以解决现有技术中难以生成多个音轨之间协调的复调音乐的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种基于生成对抗网络模型的音乐生成方法,所述方法包括:获取音乐训练信号,所述音乐训练信号包括多轨复调音乐真实信号及多个预设音轨的音乐真实信号;从所述音乐训练信号中提取特征矩阵,作为音乐训练样本数据;构建生成对抗网络模型,并通过所述音乐训练样本数据训练所述生成对抗网络模型,获得训练好的所述生成对抗网络模型的网络参数;获取用户输入的音乐随机信号,所述音乐随机信号包括以下至少之一:多轨复调音乐随机信号、多个预设音轨的音乐随机信号;将所述音乐随机信号输入所述生成对抗网络模型,以使所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号。
进一步地,所述生成对抗网络模型包括一个生成器及一个判别器,所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号,包括:所述生成器接收所述多轨复调音乐随机信号,并根据所述多轨复调音乐随机信号生成多个预设音轨的新音乐信号,所述判别器判断所述生成器生成的所述多个预设音轨的新音乐信号是真实信号还是生成的信号;当所述判别器判断出所述多个预设音轨的新音乐信号为真实信号时,输出所述多个预设音轨的新音乐信号,所述多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
进一步地,所述生成对抗网络模型包括多个生成器及与所述多个生成器一一对应的多个判别器,所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号,包括:每个所述生成器接收对应一个预设音轨的音乐随机信号,并根据所述预设音轨的音乐随机信号生成一个预设音轨的新音乐信号,每个所述判别器判断对应一个所述生成器生成的所述一个预设音轨的新音乐信号是真实信号还是生成的信号;当所述判别器判断出对应一个预设音轨的新音乐信号皆为真实信号时,输出预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
进一步地,所述生成对抗网络模型包括多个生成器及一个判别器,所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号,包括:每个所述生成器接收对应一个预设音轨的音乐随机信号及一个多轨复调音乐随机信号,并根据所述预设音轨的音乐随机信号及所述多轨复调音乐随机信号生成一个预设音轨的新音乐信号;所述判别器判断每个所述生成器生成的所述一个预设音轨的新音乐信号是真实信号还是生成的信号;当所述判别器判断出每个所述生成器生成的预设音轨的新音乐信号皆为真实信号时,输出多个预设音轨的新音乐信号,所述多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
进一步地,所述从所述音乐训练信号中提取特征矩阵,包括:提取每个音乐训练信号中每个音符的开始时刻、持续时长及音高;根据所述每个音符的开始时刻、持续时长及音高确定所述音符的特征向量;将所述音符的特征向量进行组合,得到所述音乐训练信号的特征矩阵;将所述音乐训练信号的特征矩阵作为所述音乐训练样本数据。
为了实现上述目的,根据本发明的一个方面,提供了一种基于生成对抗网络的音乐生成装置,所述装置包括:第一获取单元,用于获取音乐训练信号,所述音乐训练信号包括多轨复调音乐真实信号及多个预设音轨的音乐真实信号;提取单元,用于从所述音乐训练信号中提取特征矩阵,作为音乐训练样本数据;构建单元,用于构建生成对抗网络模型,并通过所述音乐训练样本数据训练所述生成对抗网络模型,获得训练好的所述生成对抗网络模型的网络参数;第二获取单元,用于获取用户输入的音乐随机信号,所述音乐随机信号包括以下至少之一:多轨复调音乐随机信号、多个预设音轨的音乐随机信号;生成单元,用于将所述音乐随机信号输入所述生成对抗网络模型,以使所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号。
进一步地,所述生成对抗网络模型包括多个生成器及与所述多个生成器一一对应的多个判别器;每个所述生成器接收对应一个预设音轨的音乐随机信号,并根据所述预设音轨的音乐随机信号生成一个预设音轨的新音乐信号,每个所述判别器判断对应一个所述生成器生成的所述一个预设音轨的新音乐信号是真实信号还是生成的信号;当所述判别器判断出对应一个预设音轨的新音乐信号皆为真实信号时,输出预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
进一步地,所述生成对抗网络模型包括多个生成器及一个判别器,每个所述生成器接收对应一个预设音轨的音乐随机信号及一个多轨复调音乐随机信号,并根据所述预设音轨的音乐随机信号及所述多轨复调音乐随机信号生成一个预设音轨的新音乐信号;所述判别器判断每个所述生成器生成的所述一个预设音轨的新音乐信号是真实信号还是生成的信号;当所述判别器判断出每个所述生成器生成的预设音轨的新音乐信号皆为真实信号时,输出多个预设音轨的新音乐信号,所述多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
为了实现上述目的,根据本发明的一个方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述的音乐生成方法。
为了实现上述目的,根据本发明的一个方面,提供了一种服务器,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现上述的音乐生成方法的步骤。
在本方案中,通过构建生成对抗网络模型,利用判别器和生成器所构成的动态博弈过程,最终生成多轨复调音乐信号,使得复调音乐的多个音轨之间具有协调性,从而解决现有技术中难以生成多个音轨之间协调的复调音乐的问题。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是根据本发明实施例的一种基于生成对抗网络的音乐生成方法的流程图;
图2是根据本发明实施例的一种基于生成对抗网络的音乐生成装置的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述终端,但这些终端不应限于这些术语。这些术语仅用来将终端彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一获取子单元也可以被称为第二获取子单元,类似地,第二获取子单元也可以被称为第一获取子单元。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1是根据本发明实施例的一种基于生成对抗网络的音乐生成方法的流程图,如图1所示,该方法包括:
步骤S101,获取音乐训练信号,音乐训练信号包括多轨复调音乐真实信号及多个预设音轨的音乐真实信号;
步骤S102,从音乐训练信号中提取特征矩阵,作为音乐训练样本数据;
步骤S103,构建生成对抗网络模型,并通过音乐训练样本数据训练生成对抗网络模型,获得训练好的生成对抗网络模型的网络参数;
步骤S104,获取用户输入的音乐随机信号,音乐随机信号包括以下至少之一:多轨复调音乐随机信号、多个预设音轨的音乐随机信号;
步骤S105,将音乐随机信号输入生成对抗网络模型,以使生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号。
在本方案中,通过构建生成对抗网络模型,利用判别器和生成器所构成的动态博弈过程,最终生成多轨复调音乐信号,且复调音乐的多个音轨之间具有协调性。从而解决现有技术中难以生成多个音轨之间协调的复调音乐的问题。
可选地,音乐训练信号为预先采集的真实音乐信号,例如,先预先收集200首“D大调卡农”的midi数据。音乐训练信号包括钢琴独奏曲、小提琴独奏曲、大提琴独奏曲、合奏曲等。多个预设音轨表示为不同的乐器,例如钢琴、弦乐、打击乐、铜管乐器等。
可选地,从音乐训练信号中提取特征矩阵,包括:提取每个音乐训练信号中每个音符的开始时刻、持续时长及音高;根据每个音符的开始时刻、持续时长及音高确定音符的特征向量;将音符的特征向量进行组合,得到音乐训练信号的特征矩阵;将音乐训练信号的特征矩阵作为音乐训练样本数据。
可选地,从音乐训练信号中提取特征矩阵的方式可以通过钢琴卷帘窗编辑器进行。
可选地,构建生成对抗网络模型,并通过音乐训练样本数据训练生成对抗网络模型,获得训练好的生成对抗网络模型的网络参数,包括:
第一步,构建生成对抗网络模型,生成对抗网络模型包括至少一个生成器及一个判别器。生成器用于对输入的多个预设音轨的音乐真实信号进行节奏调整并输出调整后的多轨复调音乐信号,判别器用于确定所输入的音乐信号是否由生成器输出。
其中,生成对抗网络(Generative Adversarial Networks,GAN)启发自博弈论中的二人零和博弈(two-player game),GAN模型中的两位博弈方分别由生成器(generativemodel)和判别器(discriminative model)充当。生成器捕捉音乐训练样本数据的分布,生成一个类似真实信号的样本,追求效果是越像真实信号越好。判别器是一个二分类器,判别一个样本来自于音乐训练样本数据(而非生成器的生成数据)的概率,常见的判别器可以包括但不限于线性回归模型、线性判别分析、支持向量机(Support Vector Machine,SVM)、神经网络等等。常见的生成器可以包括但不限于深度神经网络模型、隐马尔可夫模型(HiddenMarkov Model,HMM)、朴素贝叶斯模型、高斯混合模型等等。
第二步,训练生成器和判别器;具体地,固定判别器,调整生成器的网络参数;固定生成器,调整判别器的网络参数。本实施例中,生成器通过不断学习,生成越来越逼真协调的多轨复调音乐信号;而判别器通过不断地学习,增强对生成的多轨复调音乐信号和多轨复调音乐真实信号的区分能力。通过生成器与判别器之间的对抗,最终,生成器生成的多轨复调音乐信号接近于多轨复调音乐真实信号而成功“欺骗”了判别器。这样的训练好的生成对抗网络模型可以用于提高生成的多轨复调音乐信号的真实性。
其中,训练生成器的具体方式包括:首先,将初始生成器基于至少两个预设音轨的音乐真实信号输出的一个多轨复调音乐信号输入预先训练的判别器,判别器生成该多轨复调音乐信号为真实信号的概率;其次,基于上述概率和上述多轨复调音乐信号与上述至少两个预设音轨的音乐真实信号之间的特征矩阵相似度确定上述初始生成器的损失函数;最后,利用损失函数更新上述初始生成器的网络参数,得到生成器。例如,将上述损失函数反向传播回上述初始生成器,以更新上述初始生成器的网络参数。需要说明的是,上述生成器的训练过程仅仅用于说明生成器参数的调整过程,可以认为初始生成器为参数调整前的模型,生成器为参数调整后的模型,参数的调整过程并不仅限于一次,可以根据生成器的优化程度以及实际需要等重复多次。
第三步,获取训练好的生成对抗网络模型的网络参数。
可选地,生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号的方式有多种,以下提供三种生成方式:
方式一:生成对抗网络模型包括一个生成器及一个判别器,可以理解为作曲家模型。生成器接收多轨复调音乐随机信号,并根据多轨复调音乐随机信号生成多个预设音轨的新音乐信号,判别器判断生成器生成的多个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出多个预设音轨的新音乐信号为真实信号时,输出多个预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
例如:随机往生成器中输入作曲家作出的一首曲子的多个不同音轨的音乐信号,如钢琴信号,小提琴信号,大提琴信号等,但是多个音轨之间的协调性较差。作曲家作出的多轨复调音乐随机信号在生成器的调整下生成多个预设音轨的新音乐信号,并在判别器的鉴别下,使得生成的预设音轨的新音乐信号更加接近真实信号,多个音轨之间具有协调性。
方式二:生成对抗网络模型包括多个生成器及与多个生成器一一对应的多个判别器,生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号,每个生成器接收对应一个预设音轨的音乐随机信号,并根据预设音轨的音乐随机信号生成一个预设音轨的新音乐信号,每个判别器判断对应一个生成器生成的一个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出对应一个预设音轨的新音乐信号皆为真实信号时,输出预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
例如:随机往每个生成器中输入对应一个音乐家演奏的一种乐器的音乐信号,例如:钢琴。此时,每个音乐家演奏的曲子相同,但是演奏的乐器不同。多个音乐家彼此之间相互干扰,容易造成多个音乐信号之间不协调。每种乐器的音乐随机信号在对应一个生成器的调整下生成一个预设音轨的新音乐信号,并在对应一个判别器的鉴别下,使得生成的预设音轨的新音乐信号更加接近真实信号,多个音轨之间具有协调性。
方式三:生成对抗网络模型包括多个生成器及一个判别器,生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号。每个生成器接收对应一个预设音轨的音乐随机信号及一个多轨复调音乐随机信号,并根据预设音轨的音乐随机信号及多轨复调音乐随机信号生成一个预设音轨的新音乐信号;判别器判断每个生成器生成的一个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出每个生成器生成的预设音轨的新音乐信号皆为真实信号时,输出多个预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
例如,将一个音乐家创作的一首曲子中的钢琴音乐信号和一个作曲家作出的同一曲子的音乐信号中的钢琴音乐信号共同作为一个预设音轨的音乐随机信号,在对应一个生成器的调整下,生成一个预设音轨(钢琴)的新音乐信号。从而使得由多种乐器作出的音乐信号一一在对应一个生成器的调整下一一生成新音乐信号,并接受同一个判别器的鉴别,使得生成的多个预设音轨的新音乐信号组成的多轨复调音乐信号更加真实,多个音轨之间具有协调性。
本发明实施例提供了一种基于生成对抗网络的音乐生成装置,该装置用于执行上述基于生成对抗网络的音乐生成方法,如图2所示,该装置包括:第一获取单元10、提取单元20、构建单元30、第二获取单元40、生成单元50。
第一获取单元10,用于获取音乐训练信号,音乐训练信号包括多轨复调音乐真实信号及多个预设音轨的音乐真实信号;
提取单元20,用于从音乐训练信号中提取特征矩阵,作为音乐训练样本数据;
构建单元30,用于构建生成对抗网络模型,并通过音乐训练样本数据训练生成对抗网络模型,获得训练好的生成对抗网络模型的网络参数;
第二获取单元40,用于获取用户输入的音乐随机信号,音乐随机信号包括以下至少之一:多轨复调音乐随机信号、多个预设音轨的音乐随机信号;
生成单元50,用于将音乐随机信号输入生成对抗网络模型,以使生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号。
在本方案中,通过构建生成对抗网络模型,利用判别器和生成器所构成的动态博弈过程,最终生成多轨复调音乐信号,且复调音乐的多个音轨之间具有协调性。能够有效提高生成复调音乐效率,从而解决现有技术中生成复调音乐效率低的问题。
可选地,音乐训练信号为预先采集的真实音乐信号,例如,先预先收集200首“D大调卡农”的midi数据。音乐训练信号包括钢琴独奏曲、小提琴独奏曲、大提琴独奏曲、合奏曲等。多个预设音轨表示为不同的乐器,例如钢琴、弦乐、打击乐、铜管乐器等。
可选地,提取单元20包括:提取子单元、构成子单元、组合子单元、第一获取子单元。
提取子单元,用于提取每个音乐训练信号中每个音符的开始时刻、持续时长及音高;构成子单元,用于根据每个音符的开始时刻、持续时长及音高确定音符的特征向量;组合子单元,用于将音符的特征向量进行组合,得到音乐训练信号的特征矩阵;第一获取子单元,用于将音乐训练信号的特征矩阵作为音乐训练样本数据。
可选地,从音乐训练信号中提取特征矩阵的方式可以通过钢琴卷帘窗编辑器进行。
可选地,构建单元30包括构建子单元、训练子单元、第二获取子单元。
构建子单元,用于构建生成对抗网络模型,生成对抗网络模型包括至少一个生成器及一个判别器。生成器用于对输入的多个预设音轨的音乐真实信号进行节奏调整并输出调整后的多轨复调音乐信号,判别器用于确定所输入的音乐信号是否由生成器输出。
其中,生成对抗网络(Generative Adversarial Networks,GAN)启发自博弈论中的二人零和博弈(two-player game),GAN模型中的两位博弈方分别由生成器(generativemodel)和判别器(discriminative model)充当。生成器捕捉音乐训练样本数据的分布,生成一个类似真实信号的样本,追求效果是越像真实信号越好。判别器是一个二分类器,判别一个样本来自于音乐训练样本数据(而非生成器的生成数据)的概率,常见的判别器可以包括但不限于线性回归模型、线性判别分析、支持向量机(Support Vector Machine,SVM)、神经网络等等。常见的生成器可以包括但不限于深度神经网络模型、隐马尔可夫模型(HiddenMarkov Model,HMM)、朴素贝叶斯模型、高斯混合模型等等。
训练子单元,用于训练生成器和判别器;具体地,固定判别器,调整生成器的网络参数;固定生成器,调整判别器的网络参数。本实施例中,生成器通过不断学习,生成越来越逼真协调的多轨复调音乐信号;而判别器通过不断地学习,增强对生成的多轨复调音乐信号和多轨复调音乐真实信号的区分能力。通过生成器与判别器之间的对抗,最终,生成器生成的多轨复调音乐信号接近于多轨复调音乐真实信号而成功“欺骗”了判别器。这样的训练好的生成对抗网络模型可以用于提高生成的多轨复调音乐信号的真实性。
其中,训练生成器的具体方式包括:首先,将初始生成器基于至少两个预设音轨的音乐真实信号输出的一个多轨复调音乐信号输入预先训练的判别器,判别器生成该多轨复调音乐信号为真实信号的概率;其次,基于上述概率和上述多轨复调音乐信号与上述至少两个预设音轨的音乐真实信号之间的特征矩阵相似度确定上述初始生成器的损失函数;最后,利用损失函数更新上述初始生成器的网络参数,得到生成器。例如,将上述损失函数反向传播回上述初始生成器,以更新上述初始生成器的网络参数。需要说明的是,上述生成器的训练过程仅仅用于说明生成器参数的调整过程,可以认为初始生成器为参数调整前的模型,生成器为参数调整后的模型,参数的调整过程并不仅限于一次,可以根据生成器的优化程度以及实际需要等重复多次。
第二获取子单元,用于获取训练好的生成对抗网络模型的网络参数。
可选地,生成对抗网络模型包括一个生成器及一个判别器,可以理解为作曲家模型。生成器用于接收多轨复调音乐随机信号,并根据多轨复调音乐随机信号生成多个预设音轨的新音乐信号,判别器用于判断生成器生成的多个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出多个预设音轨的新音乐信号为真实信号时,输出多个预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
例如:随机往生成器中输入作曲家作出的一首曲子的多个不同音轨的音乐信号,如钢琴信号,小提琴信号,大提琴信号等,但是多个音轨之间的协调性较差。作曲家作出的多轨复调音乐随机信号在生成器的调整下生成多个预设音轨的新音乐信号,并在判别器的鉴别下,使得生成的预设音轨的新音乐信号更加接近真实信号,多个音轨之间具有协调性。
可选地,生成对抗网络模型包括多个生成器及与多个生成器一一对应的多个判别器,生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号,每个生成器接收对应一个预设音轨的音乐随机信号,并根据预设音轨的音乐随机信号生成一个预设音轨的新音乐信号,每个判别器判断对应一个生成器生成的一个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出对应一个预设音轨的新音乐信号皆为真实信号时,输出预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
例如:随机往每个生成器中输入对应一个音乐家演奏的一种乐器的音乐信号,例如:钢琴。此时,每个音乐家演奏的曲子相同,但是演奏的乐器不同。多个音乐家彼此之间相互干扰,容易造成多个音乐信号之间不协调。每种乐器的音乐随机信号在对应一个生成器的调整下生成一个预设音轨的新音乐信号,并在对应一个判别器的鉴别下,使得生成的预设音轨的新音乐信号更加接近真实信号,多个音轨之间具有协调性。
可选地,生成对抗网络模型包括多个生成器及一个判别器,生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号。每个生成器接收对应一个预设音轨的音乐随机信号及一个多轨复调音乐随机信号,并根据预设音轨的音乐随机信号及多轨复调音乐随机信号生成一个预设音轨的新音乐信号;判别器判断每个生成器生成的一个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出每个生成器生成的预设音轨的新音乐信号皆为真实信号时,输出多个预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
例如,将一个音乐家创作的一首曲子中的钢琴音乐信号和一个作曲家作出的同一曲子的音乐信号中的钢琴音乐信号共同作为一个预设音轨的音乐随机信号,在对应一个生成器的调整下,生成一个预设音轨(钢琴)的新音乐信号。从而使得由多种乐器作出的音乐信号一一在对应一个生成器的调整下一一生成新音乐信号,并接受同一个判别器的鉴别,使得生成的多个预设音轨的新音乐信号组成的多轨复调音乐信号更加真实,多个音轨之间具有协调性。
本发明实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行以下步骤:
获取音乐训练信号,音乐训练信号包括多轨复调音乐真实信号及多个预设音轨的音乐真实信号;从音乐训练信号中提取特征矩阵,作为音乐训练样本数据;构建生成对抗网络模型,并通过音乐训练样本数据训练生成对抗网络模型,获得训练好的生成对抗网络模型的网络参数;获取用户输入的音乐随机信号,音乐随机信号包括以下至少之一:多轨复调音乐随机信号、多个预设音轨的音乐随机信号;将音乐随机信号输入生成对抗网络模型,以使生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:生成器接收多轨复调音乐随机信号,并根据多轨复调音乐随机信号生成多个预设音轨的新音乐信号,判别器判断生成器生成的多个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出多个预设音轨的新音乐信号为真实信号时,输出多个预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:每个生成器接收对应一个预设音轨的音乐随机信号,并根据预设音轨的音乐随机信号生成一个预设音轨的新音乐信号,每个判别器判断对应一个生成器生成的一个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出对应一个预设音轨的新音乐信号皆为真实信号时,输出预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:每个生成器接收对应一个预设音轨的音乐随机信号及一个多轨复调音乐随机信号,并根据预设音轨的音乐随机信号及多轨复调音乐随机信号生成一个预设音轨的新音乐信号;判别器判断每个生成器生成的一个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出每个生成器生成的预设音轨的新音乐信号皆为真实信号时,输出多个预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:提取每个音乐训练信号中每个音符的开始时刻、持续时长及音高;根据每个音符的开始时刻、持续时长及音高确定音符的特征向量;将音符的特征向量进行组合,得到音乐训练信号的特征矩阵;将音乐训练信号的特征矩阵作为音乐训练样本数据。
本发明实施例提供了一种服务器,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现以下步骤:
获取音乐训练信号,音乐训练信号包括多轨复调音乐真实信号及多个预设音轨的音乐真实信号;从音乐训练信号中提取特征矩阵,作为音乐训练样本数据;构建生成对抗网络模型,并通过音乐训练样本数据训练生成对抗网络模型,获得训练好的生成对抗网络模型的网络参数;获取用户输入的音乐随机信号,音乐随机信号包括以下至少之一:多轨复调音乐随机信号、多个预设音轨的音乐随机信号;将音乐随机信号输入生成对抗网络模型,以使生成对抗网络模型根据音乐随机信号及网络参数自动生成多轨复调音乐信号。
可选地,程序指令被处理器加载并执行时还实现以下步骤:生成器接收多轨复调音乐随机信号,并根据多轨复调音乐随机信号生成多个预设音轨的新音乐信号,判别器判断生成器生成的多个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出多个预设音轨的新音乐信号为真实信号时,输出多个预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
可选地,程序指令被处理器加载并执行时还实现以下步骤:每个生成器接收对应一个预设音轨的音乐随机信号,并根据预设音轨的音乐随机信号生成一个预设音轨的新音乐信号,每个判别器判断对应一个生成器生成的一个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出对应一个预设音轨的新音乐信号皆为真实信号时,输出预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
可选地,程序指令被处理器加载并执行时还实现以下步骤:每个生成器接收对应一个预设音轨的音乐随机信号及一个多轨复调音乐随机信号,并根据预设音轨的音乐随机信号及多轨复调音乐随机信号生成一个预设音轨的新音乐信号;判别器判断每个生成器生成的一个预设音轨的新音乐信号是真实信号还是生成的信号;
当判别器判断出每个生成器生成的预设音轨的新音乐信号皆为真实信号时,输出多个预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
可选地,程序指令被处理器加载并执行时还实现以下步骤:提取每个音乐训练信号中每个音符的开始时刻、持续时长及音高;根据每个音符的开始时刻、持续时长及音高确定音符的特征向量;将音符的特征向量进行组合,得到音乐训练信号的特征矩阵;将音乐训练信号的特征矩阵作为音乐训练样本数据。
需要说明的是,本发明实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer,PC)、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
可以理解的是,所述应用可以是安装在终端上的应用程序(nativeApp),或者还可以是终端上的浏览器的一个网页程序(webApp),本发明实施例对此不进行限定。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种基于生成对抗网络的音乐生成方法,其特征在于,所述方法包括:
获取音乐训练信号,所述音乐训练信号包括多轨复调音乐真实信号及多个预设音轨的音乐真实信号;
从所述音乐训练信号中提取特征矩阵,作为音乐训练样本数据;
构建生成对抗网络模型,并通过所述音乐训练样本数据训练所述生成对抗网络模型,获得训练好的所述生成对抗网络模型的网络参数;
获取用户输入的音乐随机信号,所述音乐随机信号包括以下至少之一:多轨复调音乐随机信号、多个预设音轨的音乐随机信号;
将所述音乐随机信号输入所述生成对抗网络模型,以使所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号。
2.根据权利要求1所述的方法,其特征在于,所述生成对抗网络模型包括一个生成器及一个判别器,所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号,包括:
所述生成器接收所述多轨复调音乐随机信号,并根据所述多轨复调音乐随机信号生成多个预设音轨的新音乐信号,所述判别器判断所述生成器生成的所述多个预设音轨的新音乐信号是真实信号还是生成的信号;
当所述判别器判断出所述多个预设音轨的新音乐信号为真实信号时,输出所述多个预设音轨的新音乐信号,所述多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
3.根据权利要求1所述的方法,其特征在于,所述生成对抗网络模型包括多个生成器及与所述多个生成器一一对应的多个判别器,所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号,包括:
每个所述生成器接收对应一个预设音轨的音乐随机信号,并根据所述预设音轨的音乐随机信号生成一个预设音轨的新音乐信号,每个所述判别器判断对应一个所述生成器生成的所述一个预设音轨的新音乐信号是真实信号还是生成的信号;
当所述判别器判断出对应一个预设音轨的新音乐信号皆为真实信号时,输出预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
4.根据权利要求1所述的方法,其特征在于,所述生成对抗网络模型包括多个生成器及一个判别器,所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号,包括:
每个所述生成器接收对应一个预设音轨的音乐随机信号及一个多轨复调音乐随机信号,并根据所述预设音轨的音乐随机信号及所述多轨复调音乐随机信号生成一个预设音轨的新音乐信号;所述判别器判断每个所述生成器生成的所述一个预设音轨的新音乐信号是真实信号还是生成的信号;
当所述判别器判断出每个所述生成器生成的预设音轨的新音乐信号皆为真实信号时,输出多个预设音轨的新音乐信号,所述多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
5.根据权利要求1所述的方法,其特征在于,所述从所述音乐训练信号中提取特征矩阵,包括:
提取每个音乐训练信号中每个音符的开始时刻、持续时长及音高;
根据所述每个音符的开始时刻、持续时长及音高确定所述音符的特征向量;
将所述音符的特征向量进行组合,得到所述音乐训练信号的特征矩阵;
将所述音乐训练信号的特征矩阵作为所述音乐训练样本数据。
6.一种基于生成对抗网络的音乐生成装置,其特征在于,所述装置包括:
第一获取单元,用于获取音乐训练信号,所述音乐训练信号包括多轨复调音乐真实信号及多个预设音轨的音乐真实信号;
提取单元,用于从所述音乐训练信号中提取特征矩阵,作为音乐训练样本数据;
构建单元,用于构建生成对抗网络模型,并通过所述音乐训练样本数据训练所述生成对抗网络模型,获得训练好的所述生成对抗网络模型的网络参数;
第二获取单元,用于获取用户输入的音乐随机信号,所述音乐随机信号包括以下至少之一:多轨复调音乐随机信号、多个预设音轨的音乐随机信号;
生成单元,用于将所述音乐随机信号输入所述生成对抗网络模型,以使所述生成对抗网络模型根据所述音乐随机信号及所述网络参数自动生成多轨复调音乐信号。
7.根据权利要求6所述的装置,其特征在于,所述生成对抗网络模型包括多个生成器及与所述多个生成器一一对应的多个判别器;每个所述生成器接收对应一个预设音轨的音乐随机信号,并根据所述预设音轨的音乐随机信号生成一个预设音轨的新音乐信号,每个所述判别器判断对应一个所述生成器生成的所述一个预设音轨的新音乐信号是真实信号还是生成的信号;
当所述判别器判断出对应一个预设音轨的新音乐信号皆为真实信号时,输出预设音轨的新音乐信号,多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
8.根据权利要求6所述的装置,其特征在于,所述生成对抗网络模型包括多个生成器及一个判别器,每个所述生成器接收对应一个预设音轨的音乐随机信号及一个多轨复调音乐随机信号,并根据所述预设音轨的音乐随机信号及所述多轨复调音乐随机信号生成一个预设音轨的新音乐信号;所述判别器判断每个所述生成器生成的所述一个预设音轨的新音乐信号是真实信号还是生成的信号;
当所述判别器判断出每个所述生成器生成的预设音轨的新音乐信号皆为真实信号时,输出多个预设音轨的新音乐信号,所述多个预设音轨的新音乐信号组成一个全新的多轨复调音乐信号。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的基于生成对抗网络的音乐生成方法。
10.一种服务器,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于:所述程序指令被处理器加载并执行时实现权利要求1至5任意一项所述的基于生成对抗网络的音乐生成方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811257179.3A CN109346043B (zh) | 2018-10-26 | 2018-10-26 | 一种基于生成对抗网络的音乐生成方法及装置 |
PCT/CN2018/123550 WO2020082574A1 (zh) | 2018-10-26 | 2018-12-25 | 一种基于生成对抗网络的音乐生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811257179.3A CN109346043B (zh) | 2018-10-26 | 2018-10-26 | 一种基于生成对抗网络的音乐生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109346043A true CN109346043A (zh) | 2019-02-15 |
CN109346043B CN109346043B (zh) | 2023-09-19 |
Family
ID=65312008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811257179.3A Active CN109346043B (zh) | 2018-10-26 | 2018-10-26 | 一种基于生成对抗网络的音乐生成方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109346043B (zh) |
WO (1) | WO2020082574A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085202A (zh) * | 2019-03-19 | 2019-08-02 | 北京卡路里信息技术有限公司 | 音乐生成方法、装置、存储介质及处理器 |
CN110288965A (zh) * | 2019-05-21 | 2019-09-27 | 北京达佳互联信息技术有限公司 | 一种音乐合成方法、装置、电子设备及存储介质 |
CN113496243A (zh) * | 2020-04-07 | 2021-10-12 | 北京达佳互联信息技术有限公司 | 背景音乐获取方法及相关产品 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936806B (zh) * | 2021-09-18 | 2024-03-08 | 复旦大学 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
CN116959393B (zh) * | 2023-09-18 | 2023-12-22 | 腾讯科技(深圳)有限公司 | 音乐生成模型的训练数据生成方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271457A (zh) * | 2007-03-21 | 2008-09-24 | 中国科学院自动化研究所 | 一种基于旋律的音乐检索方法及装置 |
CN107293289A (zh) * | 2017-06-13 | 2017-10-24 | 南京医科大学 | 一种基于深度卷积生成对抗网络的语音生成方法 |
CN108346433A (zh) * | 2017-12-28 | 2018-07-31 | 北京搜狗科技发展有限公司 | 一种音频处理方法、装置、设备及可读存储介质 |
CN108461079A (zh) * | 2018-02-02 | 2018-08-28 | 福州大学 | 一种面向音色转换的歌声合成方法 |
CN108597496A (zh) * | 2018-05-07 | 2018-09-28 | 广州势必可赢网络科技有限公司 | 一种基于生成式对抗网络的语音生成方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110219940A1 (en) * | 2010-03-11 | 2011-09-15 | Hubin Jiang | System and method for generating custom songs |
CN107945811B (zh) * | 2017-10-23 | 2021-06-01 | 北京大学 | 一种面向频带扩展的生成式对抗网络训练方法及音频编码、解码方法 |
CN108334497A (zh) * | 2018-02-06 | 2018-07-27 | 北京航空航天大学 | 自动生成文本的方法和装置 |
-
2018
- 2018-10-26 CN CN201811257179.3A patent/CN109346043B/zh active Active
- 2018-12-25 WO PCT/CN2018/123550 patent/WO2020082574A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271457A (zh) * | 2007-03-21 | 2008-09-24 | 中国科学院自动化研究所 | 一种基于旋律的音乐检索方法及装置 |
CN107293289A (zh) * | 2017-06-13 | 2017-10-24 | 南京医科大学 | 一种基于深度卷积生成对抗网络的语音生成方法 |
CN108346433A (zh) * | 2017-12-28 | 2018-07-31 | 北京搜狗科技发展有限公司 | 一种音频处理方法、装置、设备及可读存储介质 |
CN108461079A (zh) * | 2018-02-02 | 2018-08-28 | 福州大学 | 一种面向音色转换的歌声合成方法 |
CN108597496A (zh) * | 2018-05-07 | 2018-09-28 | 广州势必可赢网络科技有限公司 | 一种基于生成式对抗网络的语音生成方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085202A (zh) * | 2019-03-19 | 2019-08-02 | 北京卡路里信息技术有限公司 | 音乐生成方法、装置、存储介质及处理器 |
CN110085202B (zh) * | 2019-03-19 | 2022-03-15 | 北京卡路里信息技术有限公司 | 音乐生成方法、装置、存储介质及处理器 |
CN110288965A (zh) * | 2019-05-21 | 2019-09-27 | 北京达佳互联信息技术有限公司 | 一种音乐合成方法、装置、电子设备及存储介质 |
CN110288965B (zh) * | 2019-05-21 | 2021-06-18 | 北京达佳互联信息技术有限公司 | 一种音乐合成方法、装置、电子设备及存储介质 |
CN113496243A (zh) * | 2020-04-07 | 2021-10-12 | 北京达佳互联信息技术有限公司 | 背景音乐获取方法及相关产品 |
Also Published As
Publication number | Publication date |
---|---|
WO2020082574A1 (zh) | 2020-04-30 |
CN109346043B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109346043A (zh) | 一种基于生成对抗网络的音乐生成方法及装置 | |
CN104040618B (zh) | 用于制作更和谐音乐伴奏以及用于将效果链应用于乐曲的系统和方法 | |
CN109166564A (zh) | 为歌词文本生成乐曲的方法、装置及计算机可读存储介质 | |
CN103823867B (zh) | 一种基于音符建模的哼唱式音乐检索方法及系统 | |
JP3573288B2 (ja) | キャラクタの表示制御装置、表示制御方法及び記録媒体 | |
CN103959372A (zh) | 用于使用呈现高速缓存针对所请求的音符提供音频的系统和方法 | |
CN102760426B (zh) | 使用表示乐音生成模式的演奏数据搜索 | |
CN109346045A (zh) | 基于长短时神经网络的多声部音乐生成方法及装置 | |
CN108806657A (zh) | 音乐模型训练、音乐创作方法、装置、终端及存储介质 | |
CN109671416A (zh) | 基于增强学习的音乐旋律生成方法、装置及用户终端 | |
CN109326270A (zh) | 音频文件的生成方法、终端设备及介质 | |
CN106898345A (zh) | 语音合成方法及语音合成装置 | |
Frieler et al. | Is it the song and not the singer? Hit song prediction using structural features of melodies | |
CN113813609A (zh) | 游戏音乐风格分类方法、装置、可读介质及电子设备 | |
Ramirez et al. | Automatic performer identification in commercial monophonic jazz performances | |
JP7157377B2 (ja) | 演奏情報表示装置及び演奏情報表示方法、演奏情報表示プログラム、並びに、電子楽器 | |
CN110910714A (zh) | 一种钢琴学习系统 | |
CN110516103A (zh) | 基于分类器的歌曲节奏生成方法、设备、存储介质及装置 | |
Gounaropoulos et al. | Synthesising timbres and timbre-changes from adjectives/adverbs | |
Eigenfeldt et al. | Distributed musical decision-making in an ensemble of musebots: dramatics changes and endings | |
JP6617784B2 (ja) | 電子機器、情報処理方法、及びプログラム | |
Nikolaidis et al. | Playing with the masters: A model for improvisatory musical interaction between robots and humans | |
CN110517655A (zh) | 一种旋律生成方法及系统 | |
MA et al. | Four-way classification of tabla strokes with models adapted from Automatic Drum Transcription | |
KR102227415B1 (ko) | 복선율 음악 생성 방법, 장치, 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |