TWI713958B

TWI713958B - 自動詞曲創作系統及其方法

Info

Publication number: TWI713958B
Application number: TW107146640A
Authority: TW
Inventors: 許黃月華; 左永寧
Original assignee: 淇譽電子科技股份有限公司
Priority date: 2018-12-22
Filing date: 2018-12-22
Publication date: 2020-12-21
Also published as: TW202025078A; CN111354325B; CN111354325A

Abstract

本發明係提供一種自動詞曲創作系統及方法，其包括：基於多媒體資料庫的排名順序，透過神經網路分析受歡迎音樂的曲調架構以建構曲調組合模型的曲調分析引擎；基於該多媒體資料庫的排名順序以及文字資料庫，透過神經網路分析受歡迎音樂的歌詞架構及分析來自該文字資料庫的詞句架構以建構歌詞組合模型的曲調分析引擎；提供各種曲風屬性或各種風格屬性的預設框架的風格選擇單元；根據該歌詞組合模型提供多個填詞欄位的對應歌詞集以供選擇或修改的歌詞選擇單元；以及根據該曲調組合模型提供多個填曲欄位的對應曲調集以供選擇或修改的曲調選擇單元。

Description

自動詞曲創作系統及其方法

本發明是關於一種自動詞曲創作系統及其方法，特別是關於一種可輸入詞句或輸入樂曲而產生對應的樂曲或是歌詞之自動創作系統及其方法。

既有的音樂創作系統，一般係提供將語音轉為樂譜，透過語音辨識單元接收使用者的語音，並轉換為數位訊號，根據數位訊號的音頻、音長、強弱音及速度等資訊，比對資料庫內匹配的音符，再根據音符轉換為樂譜，即便使用者不具備音樂經驗或樂理知識，也能以既有的音樂創作系統，將使用者哼唱之語音直接轉換為樂譜，並顯示於顯示單元上。

此外，使用者可配合資料庫內的複數種音色，在接收到使用者自資料庫內，選取適合音色後，將音色套用至樂譜上，並以該播音單元，即時播放該音色之樂譜的音樂，如此，使用者立即觀看個人所創作之樂譜，並聽取套用音色後之樂譜的音樂。

但，既有的音樂創作系統僅能提供單一的由使用者的語音轉換為樂譜，其所創作的音樂是否動聽，完全取決於使用者的個人能力，既有的音樂創作系統並未能進一步提供援助或幫助。

況且，現有的音樂創作系統都僅能由語音轉樂譜，並未能搭配歌詞或由歌詞自動產生匹配的音樂，亟待加以改良，本案發明人鑑於上述既有技術衍生的各項缺點加以改良創新，終於成功研發完成本發明之一種自動詞曲創作系統及其方法。

為達前述目的，本發明係提供一種自動詞曲創作系統，包括：曲調分析引擎，其基於多媒體資料庫的排名順序，透過神經網路分析受歡迎音樂的曲調架構，以建構具有多個曲調集之曲調組合模型；風格選擇單元，其提供各種曲風屬性或各種風格屬性的預設框架，該預設框架係包括預設歌詞框架，其中，該預設歌詞框架具有所選定的風格屬性以及待填入的多個填曲欄位；以及曲調選擇單元，其根據該曲調組合模型提供各該多個填曲欄位對應的該曲調集供選擇或修改，其中，該所提供的對應曲調集係符合各該多個填曲欄位的時間長度。

在前述的自動詞曲創作系統中，該預設框架係對應該各種曲風的前奏、主歌、導歌、副歌、過渡、及尾奏之排列組合，該多個填曲欄位係以該前奏、主歌、導歌、副歌、橋段、及尾奏為基礎分別設定字數及時間長度。

在前述的自動詞曲創作系統中，該曲調選擇單元係透過時間變數以每次分別提供具有不相同組合的該對應曲調集；或者，該曲調組合模型的該多個曲調集是基於能量結構變化、頻譜結構變化、音階變化、或時間長短變化為基礎所建構。

在前述的自動詞曲創作系統中，該曲調分析引擎係透過該神經網路分析主副歌、發音分類、屬性、及平仄順序、或透過馬可夫模型以建構該曲調組合模型；且其中，該神經網路係卷積神經網路或遞歸神經網路的長短期記憶模型。

本發明係另提供一種自動詞曲創作系統，包括：歌詞分析引擎，其基於該多媒體資料庫的排名順序以及文字資料庫，透過該神經網路分析受歡迎音樂的歌詞架構及分析來自該文字資料庫的詞句架構，以建構具有多個歌詞集之歌詞組合模型；風格選擇單元，其提供各種曲風屬性或各種風格屬性的預設框架，該預設框架係包括預設曲調框架，其中，該預設曲調框架具有所選定的曲風屬性以及待填入的多個填詞欄位；以及歌詞選擇單元，其根據該歌詞組合模型提供各該多個填詞欄位對應的該歌詞集供選擇或修改，其中，該所提供的對應歌詞集係符合各該多個填詞欄位的字數。

在前述的自動詞曲創作系統中，該預設框架係對應該各種曲風的前奏、主歌、導歌、副歌、過渡、及尾奏之排列組合，該多個填詞欄位係以該前奏、主歌、導歌、副歌、橋段、及尾奏為基礎分別設定字數及時間長度。

在前述的自動詞曲創作系統中，該歌詞選擇單元係透過時間變數以每次分別提供具有不相同組合的該對應歌詞集；或者，該歌詞組合模型的該多個歌詞集是基於能量結構變化、頻譜結構變化、音階變化、或時間長短變化為基礎所建構。

在前述的自動詞曲創作系統中，該歌詞分析引擎係透過該神經網路分析主副歌、發音分類、屬性、及平仄順序、或透過馬可夫模型以分別建構該歌詞組合模型，且該神經網路係卷積神經網路或遞歸神經網路的長短期記憶模型。

本發明又提供一種自動詞曲創作系統，包括：曲調分析引擎，其基於多媒體資料庫的排名順序，透過神經網路分析受歡迎音樂的曲調架構，以建構具有多個曲調集之曲調組合模型；歌詞分析引擎，其基於該多媒體資料庫的排名順序以及文字資料庫，透過該神經網路分析受歡迎音樂的歌詞架構及分析來自該文字資料庫的詞句架構，以建構具有多個歌詞集之歌詞組合模型；風格選擇單元，其提供各種曲風屬性或各種風格屬性的預設框架，該預設框架係包括預設曲調框架及預設歌詞框架，其中，該預設曲調框架具有所選定的曲風屬性以及待填入的多個填詞欄位，且該預設歌詞框架具有所選定的風格屬性以及待填入的多個填曲欄位；歌詞選擇單元，其根據該歌詞組合模型提供各該多個填詞欄位對應的該歌詞集供選擇或修改，其中，該所提供的對應歌詞集係符合各該多個填詞欄位的字數；以及曲調選擇單元，其根據該曲調組合模型提供各該多個填曲欄位對應的該曲調集供選擇或修改，其中，該所提供的對應曲調集係符合各該多個填曲欄位的時間長度。

本發明另提供一種自動詞曲創作方法，包括：由多媒體資料庫的排名順序，透過神經網路分析受歡迎音樂的曲調架構及歌詞架構，以建構具有多個曲調集之曲調組合模型；提供各種曲風屬性或各種風格屬性的預設框架，其中，該預設框架係包括預設歌詞框架，該預設歌詞框架具有所選定的風格屬性以及待填入的多個填曲欄位；以及當欲填曲創作歌曲時，係根據該曲調組合模型提供各該多個填曲欄位對應的該曲調集以供選擇或修改，其中，該所提供的對應曲調集係符合各該多個填曲欄位的時間長度。

在前述的自動詞曲創作方法中，該提供各種曲風屬性或各種風格屬性的預設框架之步驟，係對應該各種曲風的前奏、主歌、導歌、副歌、過渡、及尾奏之排列組合，該多個填曲欄位係以該前奏、主歌、導歌、副歌、橋段、及尾奏為基礎設定時間長度。

在前述的自動詞曲創作方法中，根據該曲調組合模型提供各該多個填曲欄位對應的該曲調集之步驟係透過時間變數以每次分別提供具有不相同組合的該對應曲調集；或者，該曲調組合模型的該多個曲調集是基於能量結構變化、頻譜結構變化、音階變化、或時間長短變化為基礎所建構。

在前述的自動詞曲創作方法中，該透過神經網路分析受歡迎音樂的曲調架構及歌詞架構之步驟，係透過該神經網路分析主副歌、發音分類、屬性、及平仄順序、或透過馬可夫模型以建構該曲調組合模型，且其中，該神經網路係卷積神經網路或遞歸神經網路的長短期記憶模型。

本發明另提供一種自動詞曲創作方法，包括：由多媒體資料庫的排名順序以及文字資料庫，透過神經網路分析受歡迎音樂的曲調架構及歌詞架構以及該文字資料庫的詞句架構，以建構具有多個歌詞集之歌詞組合模型；提供各種曲風屬性或各種風格屬性的預設框架，其中，該預設框架係包括預設曲調框架，該預設曲調框架具有所選定的曲風屬性以及待填入的多個填詞欄位；以及當欲填詞創作歌曲時，係根據該歌詞組合模型提供各該多個填詞欄位對應的該歌詞集以供選擇或修改，其中，該所提供的對應該歌詞集係符合各該多個填詞欄位的字數。

在前述的自動詞曲創作方法中，該提供各種曲風的預設框架，係對應該各種曲風的前奏、主歌、導歌、副歌、過渡、及尾奏之排列組合，該多個填詞欄位係以該前奏、主歌、導歌、副歌、橋段、及尾奏為基礎設定字數。

在前述的自動詞曲創作方法中，根據該歌詞組合模型提供各該多個填詞欄位對應的該歌詞集之步驟係透過時間變數以每次分別提供具有不相同組合的該對應歌詞集；或者，該歌詞組合模型的該多個歌詞集是基於能量結構變化、頻譜結構變化、音階變化、或時間長短變化為基礎所建構。

在前述的自動詞曲創作方法中，該透過神經網路分析受歡迎音樂的曲調架構及歌詞架構以及該文字資料庫的詞句架構之步驟，係透過該神經網路分析主副歌、發音分類、屬性、及平仄順序、或透過馬可夫模型以建構該歌詞組合模型；且其中，該神經網路係卷積神經網路或遞歸神經網路的長短期記憶模型。

本發明又提供一種自動詞曲創作方法，包括：由多媒體資料庫的排名順序以及文字資料庫，透過神經網路分析受歡迎音樂的曲調架構及歌詞架構以及該文字資料庫的詞句架構，以建構具有多個曲調集之曲調組合模型及具有多個歌詞集之歌詞組合模型；提供各種曲風屬性或各種風格屬性的預設框架，其中，該預設框架係包括預設曲調框架及預設歌詞框架，該預設曲調框架具有所選定的曲風屬性以及待填入的多個填詞欄位，且該預設歌詞框架具有所選定的風格屬性以及待填入的多個填曲欄位；當欲填詞創作歌曲時，係根據該歌詞組合模型提供各該多個填詞欄位對應的該歌詞集以供選擇或修改，其中，該所提供的對應該歌詞集係符合各該多個填詞欄位的字數，而當欲填曲創作歌曲時，係根據該曲調組合模型提供各該多個填曲欄位對應的該曲調集以供選擇或修改，其中，該所提供的對應曲調集係符合各該多個填曲欄位的時間長度。

10‧‧‧自動詞曲創作系統

11‧‧‧曲調分析引擎

12‧‧‧神經網路

111‧‧‧曲調組合模型

13‧‧‧歌詞分析引擎

131‧‧‧歌詞組合模型

14‧‧‧風格選擇單元

141‧‧‧預設框架

15‧‧‧歌詞選擇單元

17‧‧‧曲調選擇單元

20‧‧‧多媒體資料庫

21‧‧‧文字資料庫

30‧‧‧歌曲

S10‧‧‧步驟

S11‧‧‧步驟

S12‧‧‧步驟

S20‧‧‧步驟

S21‧‧‧步驟

S22‧‧‧步驟

S30‧‧‧步驟

S31‧‧‧步驟

S32‧‧‧步驟

S34‧‧‧步驟

S40‧‧‧步驟

S41‧‧‧步驟

S42‧‧‧步驟

第1圖是本發明之自動詞曲創作系統的系統架構示意圖。

第2圖是本發明之自動詞曲創作方法的步驟流程示意圖。

第3圖是本發明之另一自動詞曲創作方法的步驟流程示意圖。

第4圖是本發明之又一自動詞曲創作方法的步驟流程示意圖。

提供下列具體實施例以說明本發明，彼等熟悉該領域者於閱讀本說明書之發明後無疑地可理解優點及功效。

其應理解，於本說明書及附隨圖式中所描述之結構、比例、尺寸等係僅揭露以配合本說明書之內容，以使彼等熟悉該領域者容易理解及閱讀，而非意圖將本發明限制於具體情況，亦不具有技術上之實質意向。對該結構之任何修飾、比例關係之改變、或尺寸之調整應包含於本說明書之揭露範疇內而不影響本說明書之可生產效能及可達成目標。相對關係的改變或調整而沒有實質上改變技術內容，其亦應認定為落入實施的範疇內。

第1圖所示者係本發明之自動詞曲創作系統10，其可為體現於可連結網際網路的行動裝置的之用戶端應用程式、網頁程式、套裝軟體、或智慧音箱上。本發明之第一實施例可包括曲調分析引擎11、風格選擇單元14、及歌詞選擇單元15，而本發明之第二實施例可包括歌詞分析引擎13、風格選擇單元14、及曲調選擇單元17。此外，本發明之實施態樣另可包括曲調分析引擎11、歌詞分析引擎13、風格選擇單元14、歌詞選擇單元15、及曲調選擇單元17的組合，且該自動詞曲創作系統10中之曲調分析引擎11、歌詞分析引擎13、風格選擇單元14、歌詞選擇單元15、及曲調選擇單元17係彼此電性連接。

該曲調分析引擎11係以多媒體資料庫(例如音樂網站資料庫)20的熱門音樂排名順序為基礎，透過神經網路12分析受歡迎音樂的曲調架構，產生熱門音樂的曲調組合以建構出具有多個曲調集的曲調組合模型111。該神經網路12係可選自卷積神經網路(Convolutional Neural Networks，CNN)或遞歸神經網路(Recurrent Neural Network，RNN)的長短期記憶(Long Short-Term Memory，LSTM)模型。該神經網路12係基於歌曲的前奏、主歌、導歌、副歌、過渡、及尾奏的排列，藉由能量結構變化、頻譜結構變化、音階變化、時間長短變化、音量大小、樂器複雜度、歌詞內容、及頻率重複等判斷其為主歌或副歌，再分析主副歌、發音分類、屬性、及平仄順序，或透過隱藏馬可夫模型(Hidden Markov Model，HMM)透過機率建構樂理模型並經過調整，俾找出各種不同曲風屬性中受歡迎的曲調集以建構出該曲調組合模型111，其後，即可藉由使用者的意見回饋調整或保留各該歌詞組合模型131。

該歌詞分析引擎13係基於該多媒體資料庫(例如音樂網站資料庫)20的排名順序以及文字資料庫(例如詩詞資料庫)21的熱門瀏覽率，透過神經網路12分析受歡迎音樂的歌詞架構及分析來自該文字資料庫21的詞句架構，以建構具有多個歌詞集的歌詞組合模型131。該神經網路12係同樣可選自卷積神經網路(Convolutional Neural Networks，CNN)或遞歸神經網路(Recurrent Neural Network，RNN)的長短期記憶(Long Short-Term Memory，LSTM)模型，該神經網路12係基於歌曲的前奏、主歌、導歌、副歌、過渡、及尾奏的排列，分析主副歌、發音分類、屬性、及平仄順序，或藉由能量結構變化、頻譜結構變化、音階變化、時間長短變化、音量大小、樂器複雜度、歌詞內容、及頻率重複等判斷，俾找出各種不同風格屬性中受歡迎的歌詞集以建構該歌詞組合模型131，其後，即可藉由使用者的意見回饋調整或保留各該歌詞組合模型131。

該風格選擇單元14係提供各種不同曲風屬性或各種不同風格屬性的預設框架141。該預設框架141係包括預設曲調框架及預設歌詞框架，該預設曲調框架具有所選定的曲風屬性以及待填入的多個填詞欄位，且該曲風屬性可包括例如經典、爵士、搖滾、流行、舞曲、藍調、金屬、中國風等。該預設歌詞框架具有所選定的風格屬性以及待填入的多個填曲欄位，且該風格屬性可包括例如心情(快樂/沮喪/哀愁)、戀愛(初戀/單戀/熱戀/失戀)、友情、四季、氣候、或是指定的設定(嵌入人名或特定句子)等。該預設框架141係對應該各種不同曲風的前奏、主歌、導歌、副歌、過渡、及尾奏之排列組合，且該多個填詞欄位及該多個填曲欄位係以該前奏、主歌、導歌、副歌、橋段、及尾奏為基礎分別設定字數及時間長度。

該歌詞選擇單元15係根據該歌詞組合模型131提供該曲調框架的各該多個填詞欄位的對應該歌詞集以供選擇及/或修改。所提供的對應該歌詞集的數量為複數個，各符合各該多個填詞欄位的字數，且該歌詞選擇單元15透過時間變數以每次分別從該歌詞組合模型131提供具有不相同組合的該對應歌詞集，而不會令使用者感到內容重複；在經過將該預設曲調框架的該多個填詞欄位填滿後，即完成一首完整的歌曲30。

該曲調選擇單元17係根據該曲調組合模型111提供該歌詞框架的各該多個填曲欄位的對應該曲調集以供選擇及/或修改。所提供的對應該曲調集係複數個，各符合該多個填曲欄位的時間長度，且該曲調選擇單元17透過時間變數以每次分別從該曲調組合模型111中提供具有不相同組合的該對應曲調集，而不會令使用者感到內容重複；在經過將該預設歌詞框架的該多個填曲欄位填滿後，即完成一首完整的歌曲30。

本發明另提供一種自動詞曲創作方法，如第2圖所示，其係包括下列步驟：

在步驟S10中，由多媒體資料庫(例如音樂網站資料庫)20的排名順序，透過神經網路12分析受歡迎音樂的曲調架構，以建構曲調組合模型111。該曲調組合模型111具有多個曲調集，而該神經網路12係同樣可選自卷積神經網路(Convolutional Neural Networks，CNN)或遞歸神經網路(Recurrent Neural Network，RNN)的長短期記憶(Long Short-Term Memory，LSTM)模型；該神經網路12係基於歌曲的前奏、主歌、導歌、副歌、過渡、及尾奏的排列，藉由能量結構變化、頻譜結構變化、音階變化、時間長短變化、音量大小、樂器複雜度、歌詞內容、及頻率重複等判斷其為主歌或副歌，再分析主副歌、發音分類、屬性、及平仄順序，或藉由能量結構變化、頻譜結構變化、音階變化、時間長短變化、音量大小、樂器複雜度、歌詞內容、及頻率重複等判斷，或透過隱藏馬可夫模型(Hidden Markov Model，HMM)透過機率建構樂理模型並經過調整，找出各種不同音樂風格中受歡迎的曲調集以建構出該曲調組合模型111。接著進至步驟S20。

在步驟S20中，提供各種不同曲風屬性或各種不同風格屬性的預設框架141。該預設框架141係包括預設歌詞框架，該預設歌詞框架具有所選定的風格屬性以及待填入的多個填曲欄位，且該風格屬性可包括例如心情(快樂/沮喪/哀愁)、戀愛(初戀/單戀/熱戀/失戀)、友情、四季、氣候、或是指定的設定(嵌入人名或特定句子)等。該預設框架141係對應該各種不同曲風的前奏、主歌、導歌、副歌、過渡、及尾奏之排列組合，該多個填曲欄位係以該前奏、主歌、導歌、副歌、橋段、及尾奏為基礎分別設定字數及時間長度。接著填曲創作歌曲，進至步驟S30。

在步驟S30中，當欲填曲創作歌曲時，根據該曲調組合模型提供各該多個填曲欄位的對應該曲調集以供選擇及/或修改。所提供的該對應曲調集係符合各該多個填曲欄位的時間長度，該曲調選擇單元17透過時間變數以每次分別從該曲調組合模型111中提供具有不相同組合的該對應曲調集，而不會令使用者感到內容重複，在經過將該預設歌詞框架的該多個填曲欄位填滿後，即完成一首完整的歌曲。接著進至步驟S40。

在步驟S40中，完成歌曲30。

本發明又提供一種自動詞曲創作方法，如第3圖所示，其係包括下列步驟：

在步驟S11中，由多媒體資料庫(例如音樂網站資料庫)20的排名順序以及文字資料庫(例如詩詞資料庫)21，透過神經網路12分析受歡迎音樂的曲調架構及歌詞架構以及該文字資料庫21的詞句架構，以建構歌詞組合模型131。該歌詞組合模型131具有多個歌詞集，而該神經網路12係同樣可選自卷積神經網路(Convolutional Neural Networks，CNN)或遞歸神經網路(Recurrent Neural Network，RNN)的長短期記憶(Long Short-Term Memory，LSTM)模型，同時，該神經網路12係基於歌曲的前奏、主歌、導歌、副歌、過渡、及尾奏的排列，藉由能量結構變化、頻譜結構變化、音階變化、時間長短變化、音量大小、樂器複雜度、歌詞內容、及頻率重複等判斷其為主歌或副歌，再分析主副歌、發音分類、屬性、及平仄順序，或藉由能量結構變化、頻譜結構變化、音階變化、時間長短變化、音量大小、樂器複雜度、歌詞內容、及頻率重複等判斷，或透過隱藏馬可夫模型(Hidden Markov Model，HMM)透過機率建構樂理模型並經過調整，找出各種不同風格屬性中受歡迎的歌詞集以建構該歌詞組合模型131。接著進至步驟S21。

在步驟S21中，提供各種不同曲風屬性或各種不同風格屬性的預設框架141。該預設框架141係包括預設曲調框架，該預設曲調框架具有所選定的曲風屬性以及待填入的多個填詞欄位，且該曲風屬性可包括例如經典、爵士、搖滾、流行、舞曲、藍調、金屬、中國風等。該預設框架141係對應該各種不同曲風的前奏、主歌、導歌、副歌、過渡、及尾奏之排列組合，該多個填詞欄位及該多個填曲欄位係以該前奏、主歌、導歌、副歌、橋段、及尾奏為基礎分別設定字數及時間長度。接著填詞創作歌曲，進至步驟S31。

在步驟S31中，當欲填詞創作歌曲時，係根據該歌詞組合模型提供各該多個填詞欄位的對應該歌詞集以供選擇及/或修改。所提供的對應該歌詞集係符合各該多個填詞欄位的字數，供該歌詞選擇單元15透過時間變數每次分別從該歌詞組合模型131提供具有不同組合的該對應歌詞集，而不會令使用者感到內容重複；在經過將該預設曲調框架的該多個填詞欄位填滿後，即完成一首完整的歌曲。接著進至步驟S41。

在步驟S41中，完成歌曲30。

本發明另提供一種自動詞曲創作方法，如第4圖所示，係包括下列步驟：

在步驟S12中，由多媒體資料庫(例如音樂網站資料庫)20的排名順序以及文字資料庫(例如詩詞資料庫)21，透過神經網路12分析受歡迎音樂的曲調架構及歌詞架構以及該文字資料庫21的詞句架構，建構曲調組合模型111 及歌詞組合模型131。該曲調組合模型111具有多個曲調集，且該歌詞組合模型131具有多個歌詞集。該神經網路12係同樣可選自卷積神經網路(Convolutional Neural Networks，CNN)或遞歸神經網路(Recurrent Neural Network，RNN)的長短期記憶(Long Short-Term Memory，LSTM)模型，且該神經網路12係基於歌曲的前奏、主歌、導歌、副歌、過渡、及尾奏的排列，藉由能量結構變化、頻譜結構變化、音階變化、時間長短變化、音量大小、樂器複雜度、歌詞內容、及頻率重複等判斷其為主歌或副歌，再分析主副歌、發音分類、屬性、及平仄順序，或藉由能量結構變化、頻譜結構變化、音階變化、時間長短變化、音量大小、樂器複雜度、歌詞內容、及頻率重複等判斷，或透過隱藏馬可夫模型(Hidden Markov Model，HMM)透過機率建構樂理模型並經過調整，找出各種不同音樂風格中受歡迎的曲調集以建構出該曲調組合模型111、以及找出各種不同風格屬性中受歡迎的歌詞集以建構該歌詞組合模型131。接著進至步驟S22。

在步驟S22中，提供各種不同曲風屬性或各種不同風格屬性的預設框架141。該預設框架141係包括預設曲調框架及預設歌詞框架，該預設曲調框架具有所選定的曲風屬性以及待填入的多個填詞欄位，且該曲風屬性可包括例如經典、爵士、搖滾、流行、舞曲、藍調、金屬、中國風等，該預設歌詞框架該預設歌詞框架具有所選定的風格屬性以及待填入的多個填曲欄位，且該風格屬性可包括例如心情(快樂/沮喪/哀愁)、戀愛(初戀/單戀/熱戀/失戀)、友情、四季、氣候、或是指定的設定(嵌入人名或特定句子)等。該預設框架141係對應該各種不同曲風的前奏、主歌、導歌、副歌、過渡、及尾奏之排列組合，且該多個填詞欄位及該多個填曲欄位係以該前奏、主歌、導歌、副歌、橋段、及尾奏為基礎分別設定字數及時間長度。接著依欲填詞創作歌曲或欲填曲創作歌曲，分別進至步驟S32或S34。

在步驟S32中，當欲填詞創作歌曲時，根據該歌詞組合模型提供各該多個填詞欄位所對應之該歌詞集供選擇及/或修改。所提供的該對應歌詞集係符合各該多個填詞欄位的字數，供該歌詞選擇單元15透過時間變數每次分別從該歌詞組合模型131提供具有不同組合的該對應歌詞集，而不會令使用者感到內容重複；在經過將該預設曲調框架的該多個填詞欄位填滿後，即完成一首完整的歌曲。接著進至步驟S42。

在步驟S34中，當欲填曲創作歌曲時，根據該曲調組合模型提供各該多個填曲欄位的對應該曲調集供選擇及/或修改。所提供的該對應曲調集係符合各該多個填曲欄位的時間長度，供該曲調選擇單元17透過時間變數每次分別從該曲調組合模型111中提供具有不同組合的該對應曲調集，而不會令使用者感到內容重複，在經過將該預設歌詞框架的該多個填曲欄位填滿後，即完成一首完整的歌曲。接著進至步驟S42。

在步驟S42中，完成歌曲30。

上列詳細說明係針對本發明之一可行實施例之具體說明，惟該實施例並非用以限制本發明之專利範圍，凡未脫離本發明技藝精神所為之等效實施或變更，均應包含於本案之專利範圍中。

綜上所述，本案不但在技術思想上確屬創新，並能較習用物品增進上述多項功效，應以充分符合新穎性及進步性之法定發明專利要件，爰依法提出申請，懇請貴局核准本件發明專利申請案，以勵發明，至感德便。