JP2019159146A - 電子機器、情報処理方法、及びプログラム - Google Patents

Abstract

【課題】複数のパートから、所定の楽器で演奏するためのパートを選択すること。【解決手段】電子機器において、複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する学習時抽出部と、前記学習時抽出部により抽出された特徴量に基づいて機械学習を行うことにより、第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するためのモデルを、学習済みモデルとして生成する生成部と、を有する。【選択図】図４

Description

本発明は、電子機器、電子楽器、情報処理方法、及びプログラムに関する。

従来、ピアノ以外の複数の楽器により演奏される楽曲における各楽器（各パート）用の楽譜から、１台のピアノで演奏できるように編曲した楽譜（ピアノ・リダクション）を作成する技術が知られている（例えば、非特許文献１を参照）。

"Automatic Piano Reduction from Ensemble Scores Based on Merged-Output Hidden Markov Model" [online] ［平成３０年２月８日検索］、インターネット<URL:http://eita-nakamura.github.io/articles/Nakamura-Sagayama_AutomaticPianoReduction_ICMC2015.pdf>

各パートの楽譜は、１種類の楽器、または鍵盤楽器における左右のいずれかの手で演奏することを想定して作られているため、他の楽器等で演奏する場合も、比較的演奏し易い場合がある。しかしながら、従来技術では、複数のパートの楽譜における音符から、主要な音符を抽出するため、元の楽譜における演奏しやすさが損なわれる場合がある。

そこで、一側面では、複数のパートから、所定の楽器で演奏するためのパートを選択することができる技術を提供することを目的とする。

一つの案では、複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する学習時抽出部と、前記学習時抽出部により抽出された特徴量に基づいて機械学習を行うことにより、第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するためのモデルを、学習済みモデルとして生成する生成部と、を有する電子機器が提供される。

一側面によれば、複数のパートから、所定の楽器で演奏するためのパートを選択することができる。

実施形態に係る情報処理システムの構成例を示す図である。 実施形態に係るサーバ、端末、及び電子楽器のハードウェア構成例を示す図である。 実施形態に係る情報処理装置の機能構成の一例を示す図である。 実施形態に係る情報処理システムの処理の一例を示すシーケンス図である。 実施形態に係る機械学習により学習済みモデルを生成する処理の一例について説明するフローチャートである。 実施形態に係る学習用データの一例について説明する図である。 機械学習に用いられる、各パートに対する特徴量について説明する図である。 ＧＢＤＴを用いて機械学習をする場合の処理の一例について説明するフローチャートである。 ＧＢＤＴを用いた学習済みモデルのデータの一例について説明する図である。 学習済みモデルのデータに基づいて、パートを決定する処理の一例について説明するフローチャートである。

以下、図面に基づいて本発明の実施形態を説明する。

＜システム構成＞
図１は、実施形態に係る情報処理システム１の構成例を示す図である。図１において、情報処理システム１は、サーバ１０、端末２０、及び電子楽器３０を備える。なお、各装置の数は、図１の例に限定されない。

サーバ１０と端末２０は、例えば、携帯電話網、ＬＡＮ（Local Area Network）、無線ＬＡＮ、及びインターネット等のネットワーク５０により通信が接続される。端末２０と電子楽器３０は、例えば、ＵＳＢケーブル、または近距離無線通信等により接続される。

サーバ１０は、サーバ用の情報処理装置（コンピュータ、電子機器）である。サーバ１０は、学習用のデータに基づいて機械学習を行い、楽曲データに含まれる複数のパートから、所定の楽器で演奏させるパートを選択するための学習済みモデルを生成する。

端末２０は、例えば、タブレット端末、スマートフォン、デスクトップＰＣ（Personal Computer）、ノートＰＣ等の情報処理装置である。端末２０は、サーバ１０から取得した学習済みモデルのデータと、ユーザから指定された楽曲データとに基づいて、所定の楽器で演奏させるパートを選択する。

電子楽器３０は、例えば、電子キーボード、電子オルガン、電子ピアノ、電子管楽器、電子弦楽器、及びシンセサイザー等の電子楽器である。電子楽器３０は、端末２０から入力された楽曲データに基づいて、音を出力する。また、ユーザの演奏操作に応答して、音を出力する。

＜ハードウェア構成＞
図２は、実施形態に係るサーバ１０、端末２０、及び電子楽器３０のハードウェア構成例を示す図である。以下では、サーバ１０を例として説明する。図２のサーバ１０は、それぞれバスＢで相互に接続されているドライブ装置１００、補助記憶装置１０２、メモリ装置１０３、ＣＰＵ（Central Processing Unit）１０４、インタフェース装置１０５、表示装置１０６、入力装置１０７、及び出力装置１０８等を有する。

サーバ１０での処理を実現するプログラム（情報処理プログラム）は、記録媒体１０１によって提供される。プログラムを記録した記録媒体１０１がドライブ装置１００にセットされると、プログラムが記録媒体１０１からドライブ装置１００を介して補助記憶装置１０２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１０１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１０２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。

メモリ装置１０３は、プログラムの起動指示があった場合に、補助記憶装置１０２からプログラムを読み出して格納する。ＣＰＵ１０４は、メモリ装置１０３に格納されたプログラムに従ってサーバ１０に係る機能を実現する。インタフェース装置１０５は、ネットワーク等に接続するためのインタフェースとして用いられる。表示装置１０６はプログラムによるＧＵＩ（Graphical User Interface）等を表示する。入力装置１０７はキーボード及びマウス等、またはタッチパネル及びボタン等で構成され、様々な操作指示を入力させるために用いられる。出力装置１０８は、スピーカ等で構成され、様々な音を出力させるために用いられる。

なお、記録媒体１０１の一例としては、ＣＤ−ＲＯＭ、ＤＶＤディスク、又はＵＳＢメモリ等の可搬型の記録媒体が挙げられる。また、補助記憶装置１０２の一例としては、ＨＤＤ（Hard Disk Drive）又はフラッシュメモリ等が挙げられる。記録媒体１０１及び補助記憶装置１０２のいずれについても、コンピュータ読み取り可能な記録媒体に相当する。また、サーバ１０は、ＧＰＵ（Graphics Processing Unit）を有し、ＧＰＵを用いて、後述する機械学習に関する処理の少なくとも一部を行うようにしてもよい。この場合、ＧＰＵが実装されたアクセラレータ用のボードが、インタフェース装置１０５等を介してバスＢに接続されてもよい。

なお、端末２０及び電子楽器３０のハードウェア構成は、図２に示すサーバ１０のハードウェア構成例と同様でもよい。電子楽器３０における入力装置１０７は、例えば、鍵盤等で構成され、演奏させる音を入力させるために用いられる。また、電子楽器３０は、出力装置１０８として、演奏された音等を発音（再生）させる発音装置（音源やスピーカ等）も有する。電子楽器３０の入力装置、及び出力装置は、それぞれ、「操作部」、及び「発音部」の一例である。

＜機能構成＞
次に、図３を参照し、実施形態に係るサーバ１０、及び端末２０の機能構成について説明する。図３は、実施形態に係るサーバ１０、及び端末２０の機能構成の一例を示す図である。

≪サーバ１０の機能構成≫
サーバ１０は、記憶部１１を有する。記憶部１１は、例えば、補助記憶装置１０２等を用いて実現される。記憶部１１は、学習用データ１１１等のデータを記憶する。学習用データ１１１には、一の楽曲データに含まれる複数のパートのそれぞれの音符のデータ（演奏情報）と、当該一の楽曲データに含まれる複数のパートのうち所定の楽器に対して予め選択されたパートを示す情報（教師データ）との組のデータの集合が記憶されている。学習用データ１１１の詳細な例については後述する。

また、サーバ１０は、抽出部１２、生成部１３、及び出力部１４を有する。これら各部は、サーバ１０にインストールされた１以上のプログラムが、サーバ１０のＣＰＵ１０４に実行させる処理により実現される。

抽出部１２は、学習用データ１１１に記憶されている複数の楽曲データ（「第１楽曲データ」）のそれぞれに含まれる各パートに対する所定の特徴量を抽出する。

生成部１３は、抽出部１２により抽出された所定の特徴量と、学習用データ１１１に記憶されている所定の楽器のパートを示す情報とに基づいて、ユーザ等に指定された楽曲データに含まれる複数のパートから、前記所定の楽器で演奏させるパートを選択するための学習済みモデルを生成する。

出力部１４は、生成部１３により生成された学習済みモデルのデータを、端末２０に出力する。出力部１４は、例えば、端末２０にインストールされるアプリケーションに当該学習済みモデルのデータを含めて、端末２０に外部サーバ等を介して当該アプリケーションを配信してもよい。

≪端末２０の機能構成≫
端末２０は、受付部２１、取得部２２、抽出部２３、決定部２４、制御部２５、及び出力部２６を有する。これら各部は、端末２０にインストールされた１以上のプログラムが、端末２０のＣＰＵに実行させる処理により実現される。

受付部２１は、端末２０のユーザからの各種の操作を受け付ける。

取得部２２は、複数のパートを含む楽曲データから、所定の楽器で演奏させるパートを選択するための学習済みモデルのデータをサーバ１０から取得する。また、取得部２２は、ユーザの操作等に応答して、複数のパートを含む楽曲データ（「第２楽曲データ」）を、外部サーバ等から取得する。

抽出部２３は、取得部２２により取得された楽曲データに含まれる複数のパートのそれぞれに対する所定の特徴量を抽出する。

決定部２４は、取得部２２により取得された学習済みモデルと、抽出部２３により抽出された複数のパートのそれぞれに対する所定の特徴量とに基づいて、取得部２２により取得された楽曲データに含まれる複数のパートから、所定の楽器で演奏させるパートを決定する。

制御部２５は、決定部２４により決定されたパートに応じた楽譜を画面に表示させる。 出力部２６は、決定部２４により決定されたパートの情報等を、電子楽器３０に出力する。出力部２６は、例えば、決定部２４により決定されたパートを含む第１演奏データと、当該所定の楽曲データに含まれるパートのうち、決定部２４により決定されたパート以外のパートを含む第２演奏データ等を、電子楽器３０に出力する。

≪電子楽器３０の機能構成≫
電子楽器３０は、取得部３１、案内部３２、及び再生部３３を有する。これら各部は、電子楽器３０にインストールされた１以上のプログラムが、電子楽器３０のＣＰＵに実行させる処理により実現される。

取得部３１は、第１演奏データ、及び第２演奏データを端末２０から取得する。案内部３２は、取得部３１により取得された第１演奏データに基づいてユーザによる演奏を案内する。再生部３３は、案内部３２の指示に従い、第２演奏データに含まれる音符に対応する音を再生してスピーカから出力させる。

＜処理＞
次に、図４を参照し、実施形態に係る情報処理システム１の処理について説明する。図４は、実施形態に係る情報処理システム１の処理の一例を示すシーケンス図である。

ステップＳ１において、サーバ１０の抽出部１２は、学習用データ１１１に記憶されている楽曲データに含まれる各パートに対する所定の特徴量を抽出する。

続いて、サーバ１０の生成部１３は、抽出部１２により抽出された特徴量と、学習用データ１１１に記憶されている所定の楽器のパートを示す情報とに基づいて、ユーザ等に指定された楽曲データに含まれる複数のパートから、当該所定の楽器で演奏させるパートを選択するための学習済みモデルを生成する（ステップＳ２）。

続いて、端末２０の取得部２２は、ユーザの操作等に応答して、当該学習済みモデルのデータをサーバ１０から取得する（ステップＳ３）。

続いて、端末２０の取得部２２は、ユーザの操作等に応答して、所定の楽曲データを取得する（ステップＳ４）。ここで、当該所定の楽曲データは、例えば、ＳＭＦ（Standard MIDI File）規格のフォーマットで作成されたデータ（ＳＭＦファイル）でもよい。当該所定の楽曲データには、複数のパートのデータが含まれており、ＧＭ（General MIDI）規格のフォーマットで、各パートの音を出力する場合の音色の楽器が指定されていてもよい。端末２０の取得部２２は、例えば、ユーザの操作に応答して、当該所定の楽曲データをインターネット上のサーバ等からダウンロードしてもよい。

続いて、端末２０の抽出部２３は、取得部２２により取得された所定の楽曲データに含まれる各パートに対する所定の特徴量を抽出する（ステップＳ５）。続いて、端末２０の受付部２１は、演奏の難易度（演奏者の習熟度）を指定する操作をユーザから受け付ける（ステップＳ６）。

続いて、端末２０の決定部２４は、当該難易度、当該所定の楽曲データ、及び学習済みモデルのデータに基づいて、当該所定の楽曲データに含まれる複数のパートのうち、所定の楽器での演奏に適した１以上のパートを決定する（ステップＳ７）。

続いて、端末２０の制御部２５は、決定部２４により決定されたパートを含む第１演奏データと、当該所定の楽曲データに含まれるパートのうち、決定部２４により決定されたパート以外のパートを含む第２演奏データを生成する（ステップＳ８）。ここで、第１演奏データ、及び第２演奏データは、ＳＭＦファイルとして作成されてもよい。

続いて、端末２０の制御部２５は、第１演奏データに基づいた楽譜を画面に表示させる（ステップＳ９）。ここで、端末２０の制御部２５は、例えば、コード名（音名）を記した簡易な楽譜であるコード譜を表示させてもよい。

続いて、電子楽器３０の取得部３１は、第１演奏データ、及び第２演奏データを端末２０から取得する（ステップＳ１０）。続いて、電子楽器３０の案内部３２は、ユーザから所定の操作を受け付けると、第１演奏データに基づいてユーザによる演奏を案内（ナビゲーション、サポート）する（ステップＳ１１）とともに、再生部３３により第２演奏データに基づく音をスピーカから出力させる（ステップＳ１２）。ここで、電子楽器３０の案内部３２は、例えば、鍵盤等の操作部を光らせることにより、演奏の案内を行う。また、電子楽器３０の案内部３２は、ユーザによる演奏操作に応じた演奏の進行を判断し（第１演奏データにおける現在の演奏位置を順次更新していき）、この演奏の進行に合わせて、第２演奏データに含まれる音符に対応する楽音を再生部３３により順次発音させていく。これにより、ユーザは、例えば、タブレット端末等である端末２０に表示された楽譜を見ながら、電子楽器３０にて当該楽譜に従って演奏することができる。

なお、ステップＳ９の演奏を案内する処理、及びステップＳ１０の音を出力する処理の少なくとも一部は、端末２０の制御部２５にて実行されてもよい。この場合、端末２０の制御部２５は、例えば、画面に鍵盤等を表示し、当該鍵盤等を光らせることにより、演奏の案内を行うようにしてもよい。

また、電子楽器３０は、ユーザによる鍵盤等の演奏操作に応じた音をスピーカから出力させる。この場合、電子楽器３０は、当該演奏操作に応じた音を、当該所定の楽曲データのＳＭＦファイルにおいて第１演奏データのパートに対して指定されている楽器の音色で出力してもよいし、ユーザの操作により指定された楽器の音色で出力してもよい。これにより、例えば、第１演奏データとして決定された、ギター等の鍵盤を有しない楽器用のパートを、電子楽器３０の鍵盤等を用いた演奏操作により、ピアノ等の音色で演奏することもできる。また、例えば、第１演奏データとして決定された、ピアノ等の鍵盤を有する楽器用のパートまたはギター等の鍵盤を有しない楽器用のパートを、電子楽器３０の鍵盤等を用いた演奏操作により、ギター等の音色で演奏することもできる。

≪学習済みモデル生成処理≫
次に、図５乃至図７を参照し、図４のステップＳ１及びステップＳ２の、サーバ１０における機械学習により学習済みモデルを生成する処理について説明する。図５は、実施形態に係る機械学習により学習済みモデルを生成する処理の一例について説明するフローチャートである。以下では、電子楽器３０がピアノ等の鍵盤楽器であり、右手用のパートと左手用のパートの２つのパートを決定する例について説明する。なお、開示の技術は、鍵盤楽器用に２つのパートを決定する場合に限らず、１つのパートのみを決定する場合にも適用できる。また、演奏パート選択の対象となる楽器の種類を、学習データ（教師データ）が記憶された複数の楽器の種類の中からユーザに選択させるようにしてもよい。

ステップＳ１０１において、抽出部１２は、複数のパートを含む楽曲データと、当該楽曲データに含まれるパートから選択された右手用のパート、及び左手用のパートとの組み合わせの集合のデータを学習用データ１１１から取得する。ここで、抽出部１２は、例えば、電子楽器３０が、鍵盤等によりユーザにより両手で演奏される電子楽器である場合、３以上のパートを含む楽曲データのみを処理対象としてもよい。

図６は、実施形態に係る学習用データ１１１の一例について説明する図である。図６に示す学習用データ１１１の例では、複数の楽曲データＩＤの各々に対応付けて、楽曲データに含まれるパート、右手用に選択されたパート、左手用に選択されたパートが記憶されている。楽曲データＩＤは、楽曲データを識別するための情報である。楽曲データに含まれるパートは、楽曲データＩＤに係る楽曲データに含まれる各パートであり、教師あり学習における例題のデータである。楽曲データに含まれるパートは、例えば、ＭＩＤＩ（Musical Instrument Digital Interface）規格による、音の高さ、音の強さ等の情報が符号化された演奏情報でもよい。ここでは、鍵盤楽器の演奏パート選択に適した学習データ（教師データ）を用いるが、鍵盤楽器以外の楽器の演奏パート選択を行う場合には、その楽器に適した別の学習データ（教師データ）が用いられる。

右手用に選択されたパート、及び左手用に選択されたパートは、それぞれ、当該楽曲データに含まれる複数のパートのうち、所定の楽器での右手、及び左手による演奏に適していると判断されたパートであり、教師あり学習における正解のデータである。

図６の例では、楽曲データＩＤが「００１」の楽曲データには、「パート１Ａ、パート１Ｂ、パート１Ｃ、パート１Ｄ、パート１Ｅ、パート１Ｆ、パート１Ｇ、・・・」等が含まれ、右手用に選択されたパートは「パート１Ｃ」、左手用に選択されたパートは「パート１Ｅ」であることが示されている。なお、学習用データ１１１に記憶されているデータは、例えば、サーバ１０を運用する事業者等により、予め設定されていてもよい。

なお、抽出部１２は、例えば、学習用データ１１１に記憶されている楽曲データに含まれる複数のパートのそれぞれの各音符を所定の音高分だけ上下させたパートを含む楽曲データを生成してデータ拡張（Data Augmentation）を行うようにしてもよい。これにより、サンプル数が比較的少ない場合等においても学習済みモデルの精度が向上する。なお、例えば、あるパートの各音符が「ド、レ、ミ、ド、・・・」であれば、音高が２半音上げられた場合は「レ、ミ、ファ♯、レ、・・・」となる。抽出部１２は、上下させる音高の値を順次変更することにより、学習用データ１１１に記憶されている一のデータに基づいて複数のデータ拡張用のデータを生成してもよい。この場合、抽出部１２は、例えば、上下させる音高の値を−１０乃至−１、及び１乃至１０まで１ずつ変更することにより、当該一のデータに基づいて二十個のデータ拡張用のデータを生成できる。

続いて、抽出部１２は、取得した各組み合わせについて、楽曲データに含まれる各パートから、所定の特徴量をそれぞれ抽出する（ステップＳ１０２）。ここで、以下で説明するように、抽出部１２は、当該所定の特徴量として、パートに含まれる各音符の音が出力される時間長または音高の平均または分散と、パートに含まれる音符に同時に音が出力される複数の音符がある場合は各時点において最も高い音符の音の長さまたは音高の平均または分散と、パートに含まれる各音符により単位時間あたりに出力される音の数の平均または分散と、パートにおけるモノフォニーとポリフォニーの割合と、パートにおける同音進行、順次進行、及び跳躍進行の回数の割合とのうちの少なくとも一つを抽出してもよい。

図７は、機械学習に用いられる、各パートに対する特徴量について説明する図である。図７には、楽譜で表記した場合の音符７０１乃至音符７０８と、ＭＩＤＩデータにより指定された、音符７０１乃至音符７０８の音がそれぞれ出力される時間７０１Ａ乃至時間７０８Ａが示されている。

抽出部１２は、パートに含まれる各音符の音が出力される時間長（音の長さ、音価）及び音高（ピッチ）の平均及び分散を当該パートの特徴量としてもよい。この場合、抽出部１２は、例えば、４分音符の音の長さの値を１として計算してもよい。また、抽出部１２は、例えば、ＭＩＤＩにおける音高の数値表現と同様に、国際式オクターブ表記におけるＣ０の音高の値を１２とし、音高がＣ０から半音上がる毎に１大きな値として計算してもよい。

また、抽出部１２は、パートに含まれる音符に、同時に音が出力される複数の音符がある場合、各時点において最も高い音符の音の長さ及び音高の平均及び分散を当該パートの特徴量としてもよい。これは、人の耳は高い音の方が知覚し易く、一番高い音がメロディラインになることが多いためである。この場合、図７の例では、各時点において最も高い音符の音の長さは、時間７０１Ａ乃至時間７０３Ａ、時間７０５Ａ、時間７０８Ａと、音符７０４の音が出力される時間７０４Ａのうち時間７０５Ａと重ならない時間７０４Ｂと、音符７０７の音が出力される時間７０７Ａのうち時間７０８Ａと重ならない時間７０７Ｂの長さである。

また、抽出部１２は、パートに含まれる各音符により単位時間（例えば、１拍）あたりに出力される音の数（発音数）の平均及び分散を当該パートの特徴量としてもよい。これは、例えば、ドラム等の楽器は、単位時間あたりに出力される音の数が比較的多い等、楽器の種類によって単位時間あたりに出力される音の数が異なる場合が多いためである。

また、抽出部１２は、パートにおけるモノフォニーとポリフォニーの割合を当該パートの特徴量としてもよい。ここで、モノフォニーとは、例えば、同時に出力される音の数が１つであることをいう。また、ポリフォニーとは、例えば、同時に出力される音の数が複数であることをいう。これは、ピアノ等の鍵盤を用いる楽器のパートにおいては、片手で同時に複数の音を演奏することが多いためである。この場合、抽出部１２は、例えば、パートに含まれる各音符により出力される音の時間（発音時間）長のうち、モノフォニーである時間長の割合、及びポリフォニーである時間長の割合を当該パートの特徴量としてもよい。または、抽出部１２は、パートに含まれる各音符のうち、モノフォニーである音符の割合、及びポリフォニーである音符の割合を当該パートの特徴量としてもよい。この場合、抽出部１２は、ＭＩＤＩデータにおいて複数の音符の音が出力されるタイミングの差が所定の閾値（例えば、０．１秒）以内である場合、当該複数の音符はモノフォニーであると判定してもよい。これは、図７の音符７０７、及び音符７０８のように、複数の音符が、楽譜上では同じ時間位置でも、ＭＩＤＩデータでは、演奏の人間らしさを再現する等のため、時間７０７Ａ、及び時間７０８Ａのように、数ミリ秒乃至百ミリ秒程度ずれて指定されているためである。

また、抽出部１２は、パートにおける同音進行、順次進行、及び跳躍進行の回数の割合を当該パートの特徴量としてもよい。ここで、同音進行とは、例えば、一の音符と、当該一の音符の次の音符の音高が同じであることをいう。順次進行とは、例えば、一の音符と、当該一の音符の次の音符の音高が１つだけ上下していることをいう。跳躍進行とは、例えば、一の音符と、当該一の音符の次の音符の音高が２つ以上上下していることをいう。これは、楽器の種類に応じて、同音進行等の割合が異なることが多いためである。また、メロディに該当するパートは、跳躍進行が比較的少ないことが多いためである。抽出部１２は、パートに含まれる音符に、同時に音が出力される複数の音符がある場合、当該複数の音符のうち、最も高い音符に対する同音進行、順次進行、及び跳躍進行の回数の割合を当該パートの特徴量としてもよい。

これらの特徴量には、演奏用パートの選択に適した特徴量であり、少なくとも、鍵盤楽器、管楽器、弦楽器、打楽器等の各種の楽器に共通した楽器演奏の難易度や演奏音の良し悪しに影響を与える特徴量、または、特定の種類の楽器で演奏する場合に特有の演奏の難易度や演奏音の良し悪しに影響を与える特徴量が含まれている。つまり、楽器の種類毎に、初心者でも音高を順番に指定していく演奏操作を素早く行うことが比較的に容易な（難しい）楽器や、同時に複数の音高を指定する演奏操作が比較的に容易な（難しい）楽器や、音高の指定操作よりもリズムの指定操作が重要な楽器などがあり、ユーザが演奏する楽器の種類に合わせて、異なる演奏パートを選択する必要がある場合には、特定の種類の楽器に対応する特徴量が必要となる。

続いて、生成部１３は、抽出した特徴量に基づいて、機械学習を行うことにより、学習済みモデルのデータを生成する（ステップＳ１０３）。ここで、生成部１３は、例えば、ＧＢＤＴ（Gradient Boosting Decision Tree、勾配ブースティング決定木）、ＳＶＭ（Support Vector Machine）、ニューラルネットワーク、深層学習、線形回帰、またはロジスティック回帰等のアルゴリズムを用いて機械学習を行ってもよい。または、生成部１３は、他の公知のアルゴリズムを用いて機械学習を行ってもよい。

（ＧＢＤＴを用いて機械学習をする場合の例）
次に、図８、及び図９を参照し、図５のステップＳ１０３で、ＧＢＤＴを用いて機械学習をする場合の処理の一例について説明する。図８は、ＧＢＤＴを用いて機械学習をする場合の処理の一例について説明するフローチャートである。なお、以下で、ステップＳ２０１からステップＳ２０５までの一連の処理を一回行うことを、今回の学習と称する。

ステップＳ２０１において、生成部１３は、学習用データ１１１から取得した例題のデータと正解のデータの組のデータうち、今回の学習で用いるデータを決定する。ここで、今回の学習で用いるデータを、ランダムに決定してもよい。

続いて、生成部１３は、複数の特徴量のうち、今回の学習で用いる特徴量を決定する（ステップＳ２０２）。ここで、生成部１３は、今回の学習で用いる特徴量を、ランダムに決定してもよい。つまり、ランダムな決定のために、演奏用パートの選択に適していない特徴量が含まれていた場合であっても、学習によって自動的に演奏用パートの選択に適した特徴量が選ばれる（重みが高くなる）からである。

続いて、生成部１３は、今回の学習で用いるデータ、及び今回の学習で用いる特徴量に基づいて、決定木を決定する（ステップＳ２０３）。ここで、生成部１３は、例えば、分類結果の平均情報量（エントロピー）を小さくする分岐条件を算出し、当該分岐条件を有する決定木を生成する。

続いて、生成部１３は、今回の学習で用いるデータ、及び今回生成した決定木に基づいて、決定木の各葉に対する投票数を決定する（ステップＳ２０４）。ここで、生成部１３は、現時点までに生成された複数の決定木による分類結果について、当該複数の決定木による多数決をした場合に、正答率が高くなるように、当該複数の決定木の分類結果による投票数に差を付ける。これにより、正答率が比較的高い決定木の葉（ノード）は投票数が増やされ、正答率が比較的低い決定木の葉は投票数が減らされる。

続いて、生成部１３は、今回生成した決定木により誤分類したデータに対して重みを付ける（ステップＳ２０５）。ここで、生成部１３は、誤分類したデータに対して、分類結果の平均情報量を比較的大きく見積もるように重みを付加する。これにより、次回の学習で生成する決定木においては、今回の学習で生成した決定木の分類結果が誤ったデータに対して、正しく分類され易くなる。

続いて、生成部１３は、終了条件に合致するか否かを判定する（ステップＳ２０６）。ここで、生成部１３は、例えば、正答率の向上が収束してきた場合に、終了条件に合致すると判定する。終了条件に合致しない場合（ステップＳ２０６でＮＯ）、ステップＳ２０１の処理に進む。一方、終了条件に合致した場合（ステップＳ２０６でＹＥＳ）、処理を終了する。

図９は、ＧＢＤＴを用いた学習済みモデルのデータの一例について説明する図である。図９の例では、学習済みモデルのデータには、図８のステップＳ２０１からステップＳ２０５までの一連の処理により生成された複数（例えば、数百個）の決定木８０１乃至８０４等のデータが含まれている。また、決定木８０１における各葉８０１Ａ乃至８０１Ｅには、ステップＳ２０４の処理で決定された投票数が設定されている。他の決定木８０２乃至８０４等における各葉にも、決定木８０１の例と同様に投票数が設定されている。これにより、後述するように、端末２０の実行フェーズの処理において、各決定木の各葉の当該投票数に応じた多数決により、各決定木による分類結果のうち、一の分類結果が選択される。

≪学習済みモデルを用いた決定処理≫
次に、図１０を参照し、図４のステップＳ５乃至ステップＳ７における、端末２０において、学習済みモデルのデータに基づいて、所定の楽曲データに含まれる複数のパートのうち、所定の楽器での演奏に適した１以上のパートを決定する処理について説明する。図１０は、学習済みモデルのデータに基づいて、パートを決定する処理の一例について説明するフローチャートである。

以下では、所定の楽曲データに２以上のパートが含まれる場合について説明する。なお、所定の楽曲データに含まれるパートの数が２つである場合は、当該２つのパートについて、音高の平均値をそれぞれ算出し、当該平均値が高い方のパートを右手用のパートと決定し、当該平均値が低い方のパートを左手用のパートと決定してもよい。

ステップＳ３０１において、抽出部２３は、所定の楽曲データに含まれる各パートから特徴量を抽出する。ここで、抽出部２３は、図５のステップＳ１０２の処理で抽出した特徴量と同じ特徴量を抽出する。

続いて、決定部２４は、ユーザから指定された演奏の難易度に応じて、学習済みモデルのデータにおけるパラメータを調整する（ステップＳ３０２）。学習済みモデルの生成に上述したＧＢＤＴが用いられた場合、決定部２４は、例えば、ユーザから指定された演奏の難易度が高い程、各決定木において、ポリフォニーの割合が比較的高い（モノフォニーの割合が比較的低い）という条件により分類された分類結果に対する投票数を比較的多くしてもよい。または、ポリフォニーの割合が比較的低いという条件により分類されたノードに対する投票数を比較的少なくしてもよい。また、決定部２４は、例えば、ユーザから指定された演奏の難易度が高い程、各決定木において、単位時間あたりに出力される音の数の平均または分散が比較的大きいという条件により分類された分類結果に対する投票数を比較的多くしてもよい。または、単位時間あたりに出力される音の数の平均または分散が比較的小さいという条件により分類された分類結果に対する投票数を比較的少なくしてもよい。これにより、例えば、演奏の習熟度が高いユーザには、比較的多くの音を同時に演奏する箇所が比較的多い等の、演奏の難易度が高いパートを選択することができる。

なお、これに代えて、サーバ１０が、演奏の難易度に応じた学習用データに基づいて、演奏の難易度に応じた学習済みモデルを作成し、決定部２４は、ユーザから指定された演奏の難易度に応じた学習済みモデルを用いるようにしてもよい。

続いて、決定部２４は、所定の楽曲データに含まれる各パートについて、学習済みモデルのデータに基づいて、所定の楽器に対するパートらしさを推定する（ステップＳ３０３）。なお、所定の楽器は、予め鍵盤楽器などの１つの楽器に固定されていてもよいし、鍵盤楽器、管楽器、弦楽器等の複数の種類の異なる楽器の中からユーザが選択するようにしてもよい。ここで、決定部２４は、所定の楽曲データに含まれる各パートに対し、例えば、右手用のパートらしさ示す確率値、左手用のパートらしさ示す確率値、及びその他のパートらしさを示す確率値を決定する。ここで、決定部２４は、例えば、学習済みモデルの生成に、上述したＧＢＤＴが用いられた場合、右手用のパートとして投票された値を、softmax関数などを用いて当該確率の値に変換してもよい。

また、決定部２４は、所定の楽曲データに含まれる各パートに対する、所定の楽器に対する各パートらしさを示す確率値に、ユーザから指定された演奏の難易度に応じた所定の重みをそれぞれ付加するようにしてもよい。この場合、決定部２４は、例えば、所定の楽曲データに含まれる各パートに対し、ユーザから指定された演奏の難易度が高い程、ポリフォニーの割合が比較的高い（モノフォニーの割合が比較的低い）パートに対する各確率値をより大きくするように調整してもよい。また、決定部２４は、例えば、所定の楽曲データに含まれる各パートに対し、ユーザから指定された演奏の難易度が高い程、単位時間あたりに出力される音の数の平均または分散が比較的大きいパートに対する各確率値をより大きくするように調整してもよい。これにより、例えば、ＧＢＤＴ、ＳＶＭ、またはニューラルネットワーク等が用いられた学習済みモデルによる推定結果を調整し、演奏の習熟度が高いユーザには、比較的多くの音を同時に演奏する箇所が比較的多い等の、演奏の難易度が高いパートを選択することができる。

続いて、決定部２４は、所定の楽曲データに含まれる各パートのうち、所定の楽器の右手用のパートらしさを示す確率が最大であるパートを、右手用のパートと決定する（ステップＳ３０４）。

続いて、決定部２４は、所定の楽曲データに含まれる各パートであって、右手用のパートと決定したパート以外の各パートのうち、所定の楽器の左手用のパートらしさを示す確率が最大であるパートを、左手用のパートと決定し（ステップＳ３０５）、処理を終了する。これにより、例えば、複数の楽器のパートを合わせて演奏させるための楽曲データを用いて、１台のピアノ等により演奏させるための楽譜を選択することができる。

＜変形例＞
上述した実施形態では、学習用データとして、演奏データと教師データ（パート選択情報）の両方を入力することにより、右手パートと左手パートを正しく抽出できるように学習を行ったが、教師データ（パート選択情報）を入力することなく演奏データのみを入力することで、演奏データに含まれるパートを指定した特徴量に基づいて分類（カテゴライズ）することを学習し、この分類されたパートの中から演奏対象とするパートをユーザが選択するようにしてもよい。また、この分類された複数のパートの中からユーザが選択した楽器の種類に応じて演奏対象とするパートを選択するようにしてもよい。

また、上述した実施形態では、ユーザが演奏時に用いる機器を、端末２０と電子楽器３０とに分けて構成したが、これらの機能を１つの機器で実現するようにしてもよい。例えば、端末２０に電子楽器３０の発音機能や演奏操作機能を設けたり（端末２０のタッチパネル付きの表示画面等を用いて楽器の機能をエミュレートしたり）、電子楽器３０に端末２０の通信機能や各種の処理機能を設けてもよい。）
サーバ１０、及び端末２０の各機能部は、例えば１以上のコンピュータにより構成されるクラウドコンピューティングにより実現されていてもよい。端末２０の各機能部の少なくとも一部を、サーバ１０に設けた構成としてもよい。この場合、例えば、取得部２２、抽出部２３、及び決定部２４等をサーバ１０に設け、サーバ１０が、所定の楽曲データを端末２０等から取得し、上述した第１演奏データ、及び第２演奏データを生成して端末２０に配信するようにしてもよい。また、サーバ１０の各機能部の少なくとも一部を、端末２０に設けた構成としてもよい。

サーバ１０、端末２０、及び電子楽器３０は、一体の装置として構成されてもよい。また、サーバ１０と端末２０は、一体の装置として構成されてもよい。また、端末２０及び電子楽器３０は、一体の装置として構成されてもよい。この場合、電子楽器３０の筐体に端末２０を内蔵してもよいし、端末２０のタッチパネル等により電子楽器３０の鍵盤等の操作部を実現してもよい。

以上、本発明の実施例について詳述したが、本発明は斯かる特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。なお、抽出部１２は「学習時抽出部」の一例である。また、抽出部２３は、「実行時抽出部」の一例である。

また、上述した実施形態では、パートを選択するためのモデルを機械学習によって生成することで、人間が手作業で判断基準を決めることが不可能な（または不可能に近い）複雑なモデル（精度の高いモデル）を生成することを可能にしている。しかしながら、必ずしも全ての判断基準を機械学習によって決めなければいけないものではなく、上述したような楽器の演奏に影響を与える各種の特徴量を用いた判断基準を、部分的に人間が介入して決めたり、可能であれば全ての判断基準を人間が手作業で決めてもかまわない。その場合であっても、上述したような楽器の演奏に影響を与える各種の特徴量を用いることで、より効果的なパート選択を行うモデルを生成することが可能となる。

以上の説明に関し、更に以下の説明を開示する。
（付記１）
複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する学習時抽出部と、
前記学習時抽出部により抽出された特徴量に基づいて機械学習を行うことにより、第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するためのモデルを、学習済みモデルとして生成する生成部と、を有する電子機器。
（付記２）
前記生成部は、前記学習時抽出部により抽出された特徴量と、前記第１楽曲データに含まれる複数のパートのうち、楽器で演奏させるパートを示す情報とに基づいて機械学習を行うことにより、前記第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するための前記学習済みモデルを生成する、
付記１に記載の電子機器。
（付記３）
前記学習時抽出部は、前記第１楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、特定の種類の楽器の演奏に影響を与える特徴量を抽出し、
前記生成部は、前記学習時抽出部により抽出された特徴量と、前記第１楽曲データに含まれる複数のパートのうち、前記特定の種類の楽器で演奏させるパートを示す情報とに基づいて、前記第２楽曲データに含まれる複数のパートから、前記特定の種類の楽器で演奏させるパートを選択するための前記学習済みモデルを生成する、
付記２に記載の電子機器。
（付記４）
前記学習時抽出部は、前記第１楽曲データに含まれる複数のパートのそれぞれの各音符を所定の音高分だけ上下させたパートに対する特徴量を抽出する、
付記１乃至３のいずれか一項に記載の電子機器。
（付記５）
楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する実行時抽出部と、
機械学習により生成された学習済みモデルと、前記実行時抽出部により抽出された特徴量とに基づいて、前記楽曲データに含まれる複数のパートから、楽器としての機能により演奏させるパートを決定する決定部と、を有する電子機器。
（付記６）
前記学習済みモデルは、複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量と、前記複数の第１楽曲データのそれぞれに含まれる複数のパートのうち、楽器で演奏させるパートを示す情報とに基づいて生成されたモデルである、
付記５に記載の電子機器。
（付記７）
前記学習済みモデルは、前記第１楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、特定の種類の楽器の演奏に影響を与える特徴量と、前記第１楽曲データに含まれる複数のパートのうち、前記特定の種類の楽器で演奏させるパートを示す情報とに基づいて生成されたモデルである、
付記６に記載の電子機器。
（付記８）
前記決定部は、ユーザから指定された難易度に応じて、前記学習済みモデルに含まれるパラメータ、及び前記学習済みモデルにより推定された楽器で演奏させるパートらしさを示す確率値の少なくとも一方を調整する、付記５乃至７のいずれか一項に記載の電子機器。
（付記９）
前記電子機器は、
前記決定部により決定されたパートに応じた楽譜を画面に表示させるとともに、前記楽曲データに含まれる複数のパートのうち、前記決定部により決定された前記楽器で演奏させるパート以外のパートに応じた音を出力させる制御部を有する、
付記５乃至８のいずれか一項に記載の電子機器。
（付記１０）
当該特徴量は、
パートに含まれる各音符の音が出力される時間長または音高の平均または分散と、
パートに含まれる音符に同時に音が出力される複数の音符がある場合は各時点において最も高い音符の音の長さまたは音高の平均または分散と、
パートに含まれる各音符により単位時間あたりに出力される音の数の平均または分散と、
パートにおけるモノフォニーとポリフォニーの割合と、
パートにおける同音進行、順次進行、及び跳躍進行の回数の割合との少なくとも一つを含む、付記１乃至９のいずれか一項に記載の電子機器。
（付記１１）
当該楽器は、鍵盤を有する楽器であり、
前記学習済みモデルは、楽曲データに含まれる複数のパートから、当該楽器においてユーザの右手で演奏させるパート、及び当該楽器において前記ユーザの左手で演奏させるパートを選択するためのモデルである、付記１乃至１０のいずれか一項に記載の電子機器。
（付記１２）
前記学習済みモデルは、ＧＢＤＴ（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）に対応した機械学習により生成される、
付記１乃至１１のいずれか一項に記載の電子機器。
（付記１３）
楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、特定の種類の楽器の演奏に影響を与える特徴量を抽出する実行時抽出部と、
機械学習により生成された学習済みモデルと、前記実行時抽出部により抽出された前記特徴量とに基づいて、前記楽曲データに含まれる複数のパートから、前記特定の種類の楽器で演奏させるパートを決定する決定部と、
前記特定の種類の楽器としての演奏の操作を行う操作部と、
前記操作部の操作で演奏された楽音を発音させる発音部と、
を有する電子楽器。
（付記１４）
電子機器が、
複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する処理と、
前記抽出する処理により抽出された特徴量に基づいて機械学習を行うことにより、第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するためのモデルを、学習済みモデルとして生成する処理と、を実行する情報処理方法。
（付記１５）
電子機器が、
楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する処理と、
機械学習により生成された学習済みモデルと、前記抽出する処理により抽出された特徴量とに基づいて、前記楽曲データに含まれる複数のパートから、楽器としての機能により演奏させるパートを決定する処理と、を実行する情報処理方法。
（付記１６）
電子機器に、
複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する処理と、
前記抽出する処理により抽出された特徴量に基づいて機械学習を行うことにより、第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するためのモデルを、学習済みモデルとして生成する処理と、を実行させるプログラム。
（付記１７）
電子機器に、
楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する処理と、
機械学習により生成された学習済みモデルと、前記抽出する処理により抽出された特徴量とに基づいて、前記楽曲データに含まれる複数のパートから、楽器としての機能により演奏させるパートを決定する処理と、を実行させるプログラム。

１ 情報処理システム
１０ サーバ
１１ 記憶部
１１１ 学習用データ
１２ 抽出部
１３ 生成部
１４ 出力部
２０ 端末
２１ 受付部
２２ 取得部
２３ 抽出部
２４ 決定部
２５ 制御部
２６ 出力部
３０ 電子楽器

一つの案では、複数の楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、特定の楽器の演奏の適否に係る特徴量を抽出する学習時抽出部と、前記学習時抽出部により抽出された特徴量に基づいて機械学習を行うことにより、前記複数の楽曲データのいずれとも異なる楽曲データに含まれる複数のパートから、前記特定の楽器で演奏させるパートを選択するためのモデルを、学習済みモデルとして生成する生成部と、を有する電子機器が提供される。

本発明は、電子機器、情報処理方法、及びプログラムに関する。

一つの案では、楽曲データに含まれる複数のパートのそれぞれに対して抽出された特徴量と、機械学習により生成された学習済みモデルとに基づいて、前記楽曲データに含まれる複数のパートから、特定の楽器で演奏させるパートを決定する制御部を有し、前記特徴量は、パートに含まれる各音符の音が出力される時間長または音高の平均または分散と、パートに含まれる音符に同時に音が出力される複数の音符がある場合は各時点において最も高い音符の音の長さまたは音高の平均または分散と、パートに含まれる各音符により単位時間あたりに出力される音の数の平均または分散と、パートにおけるモノフォニーとポリフォニーの割合と、パートにおける同音進行、順次進行、及び跳躍進行の回数の割合と、の少なくとも一つを含む、電子機器が提供される。

Claims (17)

1. 複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する学習時抽出部と、
   前記学習時抽出部により抽出された特徴量に基づいて機械学習を行うことにより、第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するためのモデルを、学習済みモデルとして生成する生成部と、を有する電子機器。
2. 前記生成部は、前記学習時抽出部により抽出された特徴量と、前記第１楽曲データに含まれる複数のパートのうち、楽器で演奏させるパートを示す情報とに基づいて機械学習を行うことにより、前記第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するための前記学習済みモデルを生成する、
   請求項１に記載の電子機器。
3. 前記学習時抽出部は、前記第１楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、特定の種類の楽器の演奏に影響を与える特徴量を抽出し、
   前記生成部は、前記学習時抽出部により抽出された特徴量と、前記第１楽曲データに含まれる複数のパートのうち、前記特定の種類の楽器で演奏させるパートを示す情報とに基づいて、前記第２楽曲データに含まれる複数のパートから、前記特定の種類の楽器で演奏させるパートを選択するための前記学習済みモデルを生成する、
   請求項２に記載の電子機器。
4. 前記学習時抽出部は、前記第１楽曲データに含まれる複数のパートのそれぞれの各音符を所定の音高分だけ上下させたパートに対する特徴量を抽出する、
   請求項１乃至３のいずれか一項に記載の電子機器。
5. 楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する実行時抽出部と、
   機械学習により生成された学習済みモデルと、前記実行時抽出部により抽出された特徴量とに基づいて、前記楽曲データに含まれる複数のパートから、楽器としての機能により演奏させるパートを決定する決定部と、を有する電子機器。
6. 前記学習済みモデルは、複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量と、前記複数の第１楽曲データのそれぞれに含まれる複数のパートのうち、楽器で演奏させるパートを示す情報とに基づいて生成されたモデルである、
   請求項５に記載の電子機器。
7. 前記学習済みモデルは、前記第１楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、特定の種類の楽器の演奏に影響を与える特徴量と、前記第１楽曲データに含まれる複数のパートのうち、前記特定の種類の楽器で演奏させるパートを示す情報とに基づいて生成されたモデルである、
   請求項６に記載の電子機器。
8. 前記決定部は、ユーザから指定された難易度に応じて、前記学習済みモデルに含まれるパラメータ、及び前記学習済みモデルにより推定された楽器で演奏させるパートらしさを示す確率値の少なくとも一方を調整する、請求項５乃至７のいずれか一項に記載の電子機器。
9. 前記電子機器は、
   前記決定部により決定されたパートに応じた楽譜を画面に表示させるとともに、前記楽曲データに含まれる複数のパートのうち、前記決定部により決定された前記楽器で演奏させるパート以外のパートに応じた音を出力させる制御部を有する、
   請求項５乃至８のいずれか一項に記載の電子機器。
10. 当該特徴量は、
    パートに含まれる各音符の音が出力される時間長または音高の平均または分散と、
    パートに含まれる音符に同時に音が出力される複数の音符がある場合は各時点において最も高い音符の音の長さまたは音高の平均または分散と、
    パートに含まれる各音符により単位時間あたりに出力される音の数の平均または分散と、
    パートにおけるモノフォニーとポリフォニーの割合と、
    パートにおける同音進行、順次進行、及び跳躍進行の回数の割合との少なくとも一つを含む、請求項１乃至９のいずれか一項に記載の電子機器。
11. 当該楽器は、鍵盤を有する楽器であり、
    前記学習済みモデルは、楽曲データに含まれる複数のパートから、当該楽器においてユーザの右手で演奏させるパート、及び当該楽器において前記ユーザの左手で演奏させるパートを選択するためのモデルである、請求項１乃至１０のいずれか一項に記載の電子機器。
12. 前記学習済みモデルは、ＧＢＤＴ（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）に対応した機械学習により生成される、
    請求項１乃至１１のいずれか一項に記載の電子機器。
13. 楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、特定の種類の楽器の演奏に影響を与える特徴量を抽出する実行時抽出部と、
    機械学習により生成された学習済みモデルと、前記実行時抽出部により抽出された前記特徴量とに基づいて、前記楽曲データに含まれる複数のパートから、前記特定の種類の楽器で演奏させるパートを決定する決定部と、
    前記特定の種類の楽器としての演奏の操作を行う操作部と、
    前記操作部の操作で演奏された楽音を発音させる発音部と、
    を有する電子楽器。
14. 電子機器が、
    複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する処理と、
    前記抽出する処理により抽出された特徴量に基づいて機械学習を行うことにより、第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するためのモデルを、学習済みモデルとして生成する処理と、を実行する情報処理方法。
15. 電子機器が、
    楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する処理と、
    機械学習により生成された学習済みモデルと、前記抽出する処理により抽出された特徴量とに基づいて、前記楽曲データに含まれる複数のパートから、楽器としての機能により演奏させるパートを決定する処理と、を実行する情報処理方法。
16. 電子機器に、
    複数の第１楽曲データのそれぞれに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する処理と、
    前記抽出する処理により抽出された特徴量に基づいて機械学習を行うことにより、第２楽曲データに含まれる複数のパートから、楽器で演奏させるパートを選択するためのモデルを、学習済みモデルとして生成する処理と、を実行させるプログラム。
17. 電子機器に、
    楽曲データに含まれる複数のパートのそれぞれに対する特徴量であって、楽器の演奏に影響を与える特徴量を抽出する処理と、
    機械学習により生成された学習済みモデルと、前記抽出する処理により抽出された特徴量とに基づいて、前記楽曲データに含まれる複数のパートから、楽器としての機能により演奏させるパートを決定する処理と、を実行させるプログラム。

Images