JP7371962B2 - 編曲システム、編曲方法、およびコンピュータプログラム - Google Patents
編曲システム、編曲方法、およびコンピュータプログラム Download PDFInfo
- Publication number
- JP7371962B2 JP7371962B2 JP2022041410A JP2022041410A JP7371962B2 JP 7371962 B2 JP7371962 B2 JP 7371962B2 JP 2022041410 A JP2022041410 A JP 2022041410A JP 2022041410 A JP2022041410 A JP 2022041410A JP 7371962 B2 JP7371962 B2 JP 7371962B2
- Authority
- JP
- Japan
- Prior art keywords
- style
- arrangement
- model
- music
- probability
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 75
- 238000004590 computer program Methods 0.000 title claims 8
- 238000012545 processing Methods 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 35
- 239000000203 mixture Substances 0.000 description 42
- 239000011295 pitch Substances 0.000 description 36
- 235000015961 tonic Nutrition 0.000 description 36
- 230000001256 tonic effect Effects 0.000 description 36
- 238000010801 machine learning Methods 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000007704 transition Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 11
- 239000011435 rock Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000017105 transposition Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 2
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 229960000716 tonics Drugs 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- IXSZQYVWNJNRAL-UHFFFAOYSA-N etoxazole Chemical compound CCOC1=CC(C(C)(C)C)=CC=C1C1N=C(C=2C(=CC=CC=2F)F)OC1 IXSZQYVWNJNRAL-UHFFFAOYSA-N 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Auxiliary Devices For Music (AREA)
Description
る。
図1は、自動音楽生成装置1を含むネットワークシステムの例を示す図である。図2は、自動音楽生成装置1のハードウェア構成の例を示す図である。図3は、自動音楽生成装置1の機能的構成の例を示す図である。図4は、自動音楽生成装置1の全体的な処理の流れの例を説明するフローチャートである。
信するための装置である。ネットワークアダプタ14として、NIC(Network Interface Card)またはWi-Fi用の子機が用いられる。
メインモジュール20は、全体的な処理を規定するモジュールである。メインモジュール20によると、自動音楽生成装置1は、図4に示す手順で全体的な処理を実行する。
作曲モジュール21は、図3に示すように学習データ記憶部211、初期化処理部212、トニック推定部213、事後確率算出部214、パラメータ更新部215、収束判定部216、スタイルモデル記憶部217、音符決定部218、系列変換部219、および
作曲データ生成部220などによって構成される。上述の通り、作曲モジュール21は、作曲学習処理および作曲処理を実行するためのモジュールである。作曲学習処理が機械学習のフェーズに相当し、作曲処理が推論のフェーズに相当する。
〔3.1.1 概要〕
図5は、作曲学習処理の流れの例を説明するフローチャートである。機械学習のフェーズにおいては、作曲用の学習済モデルが、図5に示す手順で生成される。
象スタイル数NMとして「2」を入力する。すると、対象スタイル数NMが初期化処理部212によって受け付けられる(S702)。
デルのパラメータにランダムな値を設定する(S703)。この時点において、オペレータは、どのマルコフモデルがどの対象スタイルに対応するのか分からない。なお、これらのマルコフモデルのうちの2つ以上が偶然、一致することがある。このような場合は、各マルコフモデルのパラメータが相違するように、ステップS703の処理をやり直す。
Eステップの処理およびMステップの処理が再度、実行される。
楽曲データ60は、次の式(1)のように、楽曲のメロディーすなわち楽曲を構成する音符ごとの音高および発音時刻を示す。
である。pmnおよびsmnは、それぞれ、m番目の小節のn番目の音符の音高および発音時刻である。
)の値は「60」である。
学習ができないことがある。
)から式(3)へ変換し、または式(2)から式(4)へ変換することができる。
各マルコフモデルには、スタイル変数確率、初期確率、および遷移確率の3つのパラメータよって構成され、それぞれ、次の式(7)、式(8)、および式(9)によって表わされる。
θ(ρ) …(7)
πini(q,b|ρ) …(8)
π(q,b|q',b',ρ) …(9)
式(7)は、ρ番目の対象スタイルが出現する確率を表わしている。したがって、NM
個の要素からなる確率ベクトルである。なお、ρ∈{1,…,NM}である。
が出現する確率を表わしている。したがって、QB個の確率ベクトルがNM個、集まった
ものである。
び遷移確率π(q,b|q',b')を有し、さらに、トニック確率P(k)を有する。「k」は
トニック変数であって、k∈{0,1,…,11}={C,C#,…,B}である。ただし、楽曲を移調しても生成確率が変わらないという移調対称性を仮定する。すると、次の式(10)、式(11)、および式(12)が成り立つ。
P(k)=1/12 …(10)
πini(q,b|k)=πini(q-k,b) …(11)
π(q,b|q',b',k)=π(q-k,b|q'-k,b') …(12)
このように、式(11)および式(12)それぞれの右辺に示すパラメータは、単純なマルコフモデルのパラメータである。以下、それぞれのパラメータを「ベース初期確率」および「ベース遷移確率」と記載する。また、ベース初期確率およびベース遷移確率を有する単純マルコフモデルを「ベースマルコフモデル」と記載する。
と、これらの式を式(16)、式(17)、および式(18)のように書き換えることができる。
P(ρ,k)=(1/12)P(ρ)=(1/12)θ(ρ) …(16)
πini(q,b|ρ,k)=πini(q-k,b|ρ) …(17)
π(q,b|q',b',ρ,k)=π(q-k,b|q'-k,b',ρ) …(18)
各スタイル(スタイル変数ρが1、…、NMであるそれぞれのスタイル)に対するこの
移調対称マルコフモデル(移調混合対称マルコフモデル)も、ベース初期確率およびベース遷移確率を有する単純マルコフモデルなので、ベースマルコフモデルである。なお、トニック変数kおよびqb系列の同時生成確率とこのベースマルコフモデルとの関係は、次の式(19)の通りである。
初期化処理部212は、対象スタイルごとのモデル61のスタイル変数確率θ(ρ)、ベース初期確率πini(q,b|ρ)、およびベース遷移確率π(q,b|q',b',ρ)の各パラメ
ータの初期値をランダムに設定する。
事後確率算出部214は、EMアルゴリズムのうちのEステップの処理を次のように行う。具体的には、次の式(29)によって表わされる確率を算出する。
(例えば、10-6)以下になったら、収束したと判定する。または、π ini tに対するπ ini tとπ ini t-1との差の絶対値の比が所定の値以下になったら、収束したと判定してもよい。または、π tに対するπ tとπ t-1との差の絶対値の比が所定の値以下になったら、収束
したと判定してもよい。
例えば、対象スタイルがロックおよび演歌の2つである場合は、オペレータは、生成された2つの学習済モデル62それぞれによって自動作曲された楽曲を聴き、ロックおよび演歌それぞれの学習済モデル62を判別し、ラベリングする。
図6は、作曲処理の流れの例を説明するフローチャートである。推論のフェーズにおいては、新しい楽曲が、図6に示す手順で自動的に生成される。
含まれる。
P(x)(x=1,…,X)および乱数rに基づいてxの値を生成(サンプル)する方法で、各音符をサンプルする。つまり、次の式(36)を満たすxを選ぶことによってサンプルする。
基づいてサンプルする。以下、同様に、i番目の音符を、乱数riおよび指定されたスタ
イルの遷移確率π(q,b|qi-1,bi-1)に基づいてサンプルする。これにより、qb系列
のデータが楽曲のメロディーのデータとして得られる。
続の音符の音高piを、直前の音符の音高pi-1および音高クラスqi、qi-1から決定する。具体的には、
qi-qi-1<-6 ならば、pi=pi-1+qi-qi-1+12
-6≦qi-qi-1<6 ならば、pi=pi-1+qi-qi-1
qi-qi-1≧6 ならば、pi=pi-1+qi-qi-1-12
とする。
編曲モジュール25は、図3に示すように、初期化処理部251、事後確率算出部252、パラメータ更新部253、収束判定部254、編集モデル記憶部255、原曲属性推定部256、候補楽曲生成部257、最適候補選出部258、および編曲データ生成部259などによって構成され、ある楽曲を、目標のスタイルの楽曲に変換する。つまり、編曲を行う。上述の通り、編曲モジュール25は、編曲学習処理および編曲処理を実行するためのモジュールである。編曲学習処理が機械学習のフェーズに相当し、編曲処理が推論のフェーズに相当する。
記憶されているものとする。
図7は、編曲学習処理の流れの例を説明するフローチャートである。図8は、編曲処理の流れの例を説明するフローチャートである。
NM個の編集モデルを用意し、それぞれについてステップS722~S726の処理が行
われる。
系列であって次の式(43)のように表わされる。
X~)」は、原曲と候補楽曲との類似度を表わす確率である。「αL」および「αE」は、合致度と類似度とのバランスを調整するためのパラメータであって、目的に応じてオペレータによって指定される。
Q(X~|X;ρS,ρT):=PL(X~;ρT)αLPE(X|X~;ρS,ρT)αE …(44)
〔4.2 編集モデル〕
上の式(41)の右辺を構成する因子のうち、PE(X|X~;ρS,ρT)に編集モデルが用いられる。PE(X|X~;ρS,ρT)は、次の式(45)のように記述される。
系列Xおよび候補楽曲の系列X~それぞれのi番目の拍節位置の二乗距離であり、σrは、距離尺度の基準を与えるパラメータである。本実施形態では、σp=0.7、σr=3がデフォルトで設定されている。これら2つの因子は、すべてのρSおよびρTに対して一定である。つまり、ρSおよびρTに依らない。
似度を表わし、音符の統語機能が潜在変数で表現されるように隠れマルコフモデル(HMM:Hidden Markov Model)を用いて記述される。「Z」は、確率分布の規格化係数であるが、候補楽曲の生成には用いられない。
用いられる。
式(47)のように表わされる。
つ生成される。つまり、潜在変数ziは、i番目の音符の離散確率変数である。「NF」は、仮定する統語機能の数であり、目的に応じて決められる変数である。本実施形態では、NF=7とする。
ψini(z1)=P(z1) …(48)
ψ(zi|zi- 1)=P(zi|zi- 1) …(49)
φ(q|z,ρS)=P(qi=q|zi=z) …(50)
φ(q~|z,ρT)=P(q~i=q~|zi=z) …(51)
式(48)のψini(z1)は、潜在変数zの初期確率を表わす、NF個の確率の確率ベク
トルである。式(49)は、潜在変数zの遷移確率を表わす、NF×NF個の要素を持つ確率行列である。
Q個の)出力確率の確率ベクトルをNF個分、表わしている。式(51)は、目標スタイ
ルにおける、音高クラスごとの出力確率の確率ベクトルをNF個分、表わしている。式(
50)と式(51)とを比較して分かるように、音高クラスqiおよび音高クラスq~ iは
、各潜在変数zから、互いに異なる離散確率分布に従って生成される。
が成り立つ。
計算する手順は以下の通りである。この因子をHMMに基づいて、PF(X|X~;ρS,ρT)=P(q|q ~)と定めることにより次の表現が得られる。
子が原始的に求まるが、すべての和記号を同時に計算することは組合せの数が多すぎて困難である。そこで、動的計画法(フォアワードアルゴリズム)を用いて逐次計算することにより効果的に計算することができる。
Fi(zi):=P(q1:i,q~ 1:i,zi) …(59)
q1:i=(q1,…, qi)である。以下、同様の記法を用いる。Fi(zi)は、i=1から順に以下の通り逐次的に計算する。
上述の通り、ρS∈{1,…, NM}かつρT∈{1,…, NM}なので、NM×NM通りの編集モデルが生成される。以下、機械学習の内容を、ロックから演歌に編曲するための編集モデルを生成する場合を例に説明する。
機械学習に必要な音符の数であって、十分に大きな整数である。初期化処理部251は、作曲モジュール21の推論のフェーズと同様に、ロックの学習済モデル62に基づいてロックの楽曲を作曲する方法で系列xを生成する。
成する。
φ0(q|z,ρS)∝exp(-(q-12z/NF)2/2) …… (65)
また、ψ(zi|zi-1)およびφ(q~|z,ρT)は、一様分布になるように初期化する。
数の事後確率を算出し、Mステップではパラメータの更新を行う。Eステップの処理およびMステップの処理が交互に繰り返される。
γt(zi)=P(zi|x,x~,Θt) …… (66)
ζt(zi-1,zi)=P(zi-1,zi|x,x~,Θt) …… (67)
「Θ」は、4つのパラメータのうちψ(zi|zi-1)、φ(q~|z,ρS)、およびφ(q|z,ρT)の集合を表わす。「Θt」は、tステップ目における、これら3つのパラメータの集
合である。以下、これらの式の計算方法を説明する。
At(zi):=P(x1:i,x~1:i,zi|Θt) …… (68)
Bt(zi):=P(x(i+1):N,x~ (i+1):N|zi,Θt) …… (69)
これらは、次の式(70)~(73)に手順に従って再帰的に計算することができる。
γt(zi)∝At(zi)Bt(zi)…(74)
ζt(zi-1,zi)∝At(zi-1)ψt(zi|zi-1)φt(xi|zi,ρS)
φt(x~i|zi,ρT)Bt(zt) …(75)
ただし、比例係数は、各フォアワード変数が潜在変数ziに関して、足して1になるよ
うに適切に与える。
原曲属性推定部256ないし編曲データ生成部259は、指定された原曲を、指定されたスタイルに編曲する。
;ρS,ρT)を最大にするX~が、Viterbiアルゴリズムによって探索される。
=12×48)通りある。そして、音符の数がIであるので、576I通りの音符の並び
がある。
うに探索する。Q(X~|X;ρS,ρT)は正の値なので、Q(X~|X;ρS,ρT)を最適化したものは、Q(X~|X;ρS,ρT)の対数をとったものの最適化と等価である。Q(X~|X;ρS,ρT)の対数は、式(21)、(44)、(45)、(57)を用いることによって次のように与えられる。
この関数は、lnPF(X~|X;ρS,ρT)を含んでいるので、直接は、最適化することができない。そこで、入力の楽曲qに対して事後確率P(z|q)=P(q|z)P(z)/P(q)を最大とする潜在変数の系列z^をまず求めて、和をこの系列で置き換える。これにより次の式(81)が得られる。
の最大化は次の式(82)で表わされ、その対数をとったものの最大化と等価である。
次の式(88)の値は、式(89)~(90)のように後ろから再帰的に求めることができる。
に書き換えられる。
て求められる。Viterbi 変数を次の式(94)で定義する。
イルに変換することによって、編曲データ66を生成する。編曲データ66は、自動音楽生成装置1の所定の記憶領域に保存される。または、端末装置41などへ送信される。または、ps系列のデータに従って候補楽曲を音声再生ユニット19(図2参照)によって再生してもよい。
ところで、一般に、楽曲の途中でスタイルまたはトニックなどが変わる場合がある。例えば、スタイルがクラシックからロックに変わったり、ハ長調からホ長調へ転調したり、長調から短調へ移旋したりすることがある。そこで、自動音楽生成装置1は、途中でスタイルまたはトニックなどが変わるように構成したモデルを生成しておき、このようなモデルを用いて作曲してもよい。
θini(ρ,k)=P(ρ1=ρ,k1=k) …(99)
θ(ρ',k',ρ,k)=P(ρm=ρ,km=k|ρm-1=ρ',km-1=k') …(100)
各音符の音高クラスおよび拍節位置は、生成された各小節のスタイル変数ρmおよびト
ニック変数kmに条件付けられたマルコフモデルにより、次の式(101)および式(1
02)に基づいて生成される。
πini(q11,b11|ρ1,k1)=P(q11,b11|ρ1,k1) …(101)
πini(qmn,bmn|q'mn,b'mn,ρm,km)=P(q11=q,b11=b|ρm,km)
…(102)
ただし、q'mnおよびb'mnは、それぞれqmnおよびbmnの1つ前の音符の音高クラスおよび拍節位置を表わす。
デルの例として、音楽情報学および計算言語学などで広く用いられるモデル、例えば、高次のマルコフモデルおよび可変次マルコフモデル、隠れマルコフモデル、確率的文脈自由文法モデル、長短期記憶(long short-term memory; LSTM)ネットワークを含む再起型ニューラルネットワーク(recurrent neural network; RNN)、変分自己符号化器(variationalautoencoder; VAE)および敵対的生成ネットワーク(Generative Adversarial Network; GAN)に基づく生成モデルなどが挙げられる。
212 初期化処理部(初期処理手段)
214 事後確率算出部(出現確率算出手段)
215 パラメータ更新部(調整手段)
216 収束判定部(判定手段)
217 スタイルモデル記憶部(記憶手段)
218 音符決定部(作曲手段)
251 初期化処理部(編集モデル生成手段)
252 事後確率算出部(編集モデル生成手段)
253 パラメータ更新部(編集モデル生成手段)
254 収束判定部(編集モデル生成手段)
257 候補楽曲生成部(メロディ生成手段)
258 最適候補選出部(類似度算出手段、選出手段、編曲手段)
61 モデル(仮モデル)
62 学習済モデル(音楽モデル)
65 学習済モデル(編集モデル)
Claims (9)
- 第一のスタイルを有する対象メロディを第二のスタイルへ編曲する編曲システムであって、
前記対象メロディの編曲として、前記対象メロディとの類似度と前記第二のスタイルへの合致度とが反映された適切度が最も高くまたは所定の値以上であり、かつ、前記対象メロディと音符数が同じであるメロディを、動的計画法によって探索する探索手段、
を有することを特徴とする編曲システム。 - 第一のスタイルを有する対象メロディを第二のスタイルへ編曲する編曲システムであって、
前記対象メロディと音符数が同じでありかつ前記第二のスタイルを有する複数のメロディのうちの、前記対象メロディとの類似度と前記第二のスタイルへの合致度とが反映された適切度が最も高いものまたは所定の値以上のものを前記対象メロディの編曲として探索する探索手段、
を有することを特徴とする編曲システム。 - 前記探索手段は、前記複数のメロディそれぞれの前記適切度を算出し、前記複数のメロディのうちの、前記適切度が最も高くまたは所定の値以上であるものを選出することによって、前記編曲を探索する、
請求項2に記載の編曲システム。 - 第一のスタイルを有する対象メロディを第二のスタイルへ編曲する編曲方法であって、
前記対象メロディの編曲として、前記対象メロディとの類似度と前記第二のスタイルへの合致度とが反映された適切度が最も高くまたは所定の値以上であり、かつ、前記対象メロディと音符数が同じであるメロディを、動的計画法によって探索する、
ことを特徴とする編曲方法。 - 第一のスタイルを有する対象メロディを第二のスタイルへ編曲する編曲方法であって、
前記対象メロディと音符数が同じでありかつ前記第二のスタイルを有する複数のメロディのうちの、前記対象メロディとの類似度と前記第二のスタイルへの合致度とが反映された適切度が最も高いものまたは所定の値以上のものを前記対象メロディの編曲として探索する、
ことを特徴とする編曲方法。 - 前記複数のメロディそれぞれの前記適切度を算出し、前記複数のメロディのうちの、前記適切度が最も高くまたは所定の値以上であるものを選出することによって、前記編曲を探索する、
請求項5に記載の編曲方法。 - 第一のスタイルを有する対象メロディを第二のスタイルへ編曲するコンピュータに用いられるコンピュータプログラムであって、
前記コンピュータに、
前記対象メロディの編曲として、前記対象メロディとの類似度と前記第二のスタイルへの合致度とが反映された適切度が最も高くまたは所定の値以上であり、かつ、前記対象メロディと音符数が同じであるメロディを、動的計画法によって探索する処理を実行させる、
ことを特徴とするコンピュータプログラム。 - 第一のスタイルを有する対象メロディを第二のスタイルへ編曲するコンピュータに用いられるコンピュータプログラムであって、
前記コンピュータに、
前記対象メロディと音符数が同じでありかつ前記第二のスタイルを有する複数のメロディのうちの、前記対象メロディとの類似度と前記第二のスタイルへの合致度とが反映された適切度が最も高いものまたは所定の値以上のものを前記対象メロディの編曲として探索する処理を実行させる、
ことを特徴とするコンピュータプログラム。 - 前記処理は、前記複数のメロディそれぞれの前記適切度を算出し、前記複数のメロディのうちの、前記適切度が最も高くまたは所定の値以上であるものを選出することによって、前記編曲を探索する処理である、
請求項8に記載のコンピュータプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022041410A JP7371962B2 (ja) | 2020-01-29 | 2022-03-16 | 編曲システム、編曲方法、およびコンピュータプログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020012430A JP7122010B2 (ja) | 2020-01-29 | 2020-01-29 | 音楽モデル生成システム、自動作曲システム、音楽モデル生成方法、およびコンピュータプログラム |
JP2022041410A JP7371962B2 (ja) | 2020-01-29 | 2022-03-16 | 編曲システム、編曲方法、およびコンピュータプログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020012430A Division JP7122010B2 (ja) | 2020-01-29 | 2020-01-29 | 音楽モデル生成システム、自動作曲システム、音楽モデル生成方法、およびコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022088461A JP2022088461A (ja) | 2022-06-14 |
JP7371962B2 true JP7371962B2 (ja) | 2023-10-31 |
Family
ID=77174790
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020012430A Active JP7122010B2 (ja) | 2020-01-29 | 2020-01-29 | 音楽モデル生成システム、自動作曲システム、音楽モデル生成方法、およびコンピュータプログラム |
JP2022041410A Active JP7371962B2 (ja) | 2020-01-29 | 2022-03-16 | 編曲システム、編曲方法、およびコンピュータプログラム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020012430A Active JP7122010B2 (ja) | 2020-01-29 | 2020-01-29 | 音楽モデル生成システム、自動作曲システム、音楽モデル生成方法、およびコンピュータプログラム |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7122010B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090071315A1 (en) | 2007-05-04 | 2009-03-19 | Fortuna Joseph A | Music analysis and generation method |
JP2011118218A (ja) | 2009-12-04 | 2011-06-16 | Ryukoku Univ | 自動編曲システム、および、自動編曲方法 |
WO2021106694A1 (ja) | 2019-11-26 | 2021-06-03 | ソニーグループ株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
-
2020
- 2020-01-29 JP JP2020012430A patent/JP7122010B2/ja active Active
-
2022
- 2022-03-16 JP JP2022041410A patent/JP7371962B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090071315A1 (en) | 2007-05-04 | 2009-03-19 | Fortuna Joseph A | Music analysis and generation method |
JP2011118218A (ja) | 2009-12-04 | 2011-06-16 | Ryukoku Univ | 自動編曲システム、および、自動編曲方法 |
WO2021106694A1 (ja) | 2019-11-26 | 2021-06-03 | ソニーグループ株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021117434A (ja) | 2021-08-10 |
JP7122010B2 (ja) | 2022-08-19 |
JP2022088461A (ja) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hadjeres et al. | Deepbach: a steerable model for bach chorales generation | |
Raczyński et al. | Melody harmonization with interpolated probabilistic models | |
Lim et al. | Chord generation from symbolic melody using BLSTM networks | |
Brunner et al. | JamBot: Music theory aware chord based generation of polyphonic music with LSTMs | |
Benetos et al. | Automatic music transcription: challenges and future directions | |
Lopez-Rincon et al. | Algoritmic music composition based on artificial intelligence: A survey | |
Benetos et al. | Automatic music transcription: Breaking the glass ceiling | |
US8494847B2 (en) | Weighting factor learning system and audio recognition system | |
Paiement et al. | A probabilistic model for chord progressions | |
Nakamura et al. | Statistical piano reduction controlling performance difficulty | |
CN113010730A (zh) | 音乐文件生成方法、装置、设备及存储介质 | |
Ewert et al. | A dynamic programming variant of non-negative matrix deconvolution for the transcription of struck string instruments | |
Maruo et al. | A feedback framework for improved chord recognition based on NMF-based approximate note transcription | |
JP7371962B2 (ja) | 編曲システム、編曲方法、およびコンピュータプログラム | |
Kim et al. | Statistical approach to automatic expressive rendition of polyphonic piano music | |
CN116229922A (zh) | 基于Bi-LSTM深度强化学习网络的鼓乐生成方法 | |
Madhumani et al. | Automatic neural lyrics and melody composition | |
JP2006201278A (ja) | 楽曲の拍節構造の自動分析方法および装置、ならびにプログラムおよびこのプログラムを記録した記録媒体 | |
Vincent et al. | A roadmap towards versatile MIR | |
Martins et al. | Similarity measures for rhythmic sequences | |
Tamás et al. | Development of a music generator application based on artificial intelligence | |
Wallace et al. | Comparing models for harmony prediction in an interactive audio looper | |
WO2022202297A1 (ja) | 文章提供方法、プログラムおよび文章提供装置 | |
Hiramatsu et al. | Statistical Correction of Transcribed Melody Notes Based on Probabilistic Integration of a Music Language Model and a Transcription Error Model | |
JP5318042B2 (ja) | 信号解析装置、信号解析方法及び信号解析プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220316 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220317 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230307 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230502 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230626 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231003 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231012 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7371962 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |