音乐生成论文简要概括

最新推荐文章于 2024-04-09 17:31:38 发布

置顶还是少年呀

最新推荐文章于 2024-04-09 17:31:38 发布

阅读量1.1k

点赞数 6

分类专栏：音乐生成文章标签：深度学习机器学习人工智能音乐生成音乐数据集

本文链接：https://blog.csdn.net/Mark_2018/article/details/103655580

版权

音乐生成专栏收录该内容

6 篇文章

订阅专栏

MIDI定义

参考雅马哈XG标准的MIDI协议：MIDI程序的设计目标就是要将所要演奏的音乐或音乐曲目，按其进行的节奏、速度、技术措施等要求，转换成MIDI控制语言，以便在这些MIDI指令的控制之下，各种音源在适当的时间点上，以指定的音色、时值、强度等、演奏出需要的音响。

近年音乐生成相关论文的特点及使用的数据集概括

2016年的WaveNet的语音转录
特点：实现文本到语音的转换和语音生成任务，虽然效果好，但生成的语音很短。
数据集：使用文本语音数据集

2017年的MuseGAN
特点：产生多声道（多种乐器）的复调音乐。作者使用Lakh Pianoroll Dataset 来训练模型以生成流行歌曲短语，包括低音，鼓，吉他，钢琴和弦乐曲目。
数据集：Lakh Pianoroll Dataset，不含人声的歌曲，是并不是纯粹的单一乐器的的数据。

2017年的Neural translation of musical style
特点：运用于作曲家风格的转换，但只能学到速度的转换，不能学到不同的音乐和流派的信息。
数据集：Piano datase，包含古典和爵士风格的MIDI的钢琴文件的成对文件。

2018年的MIDI-VAE: Modeling dynamics and instrumentation of music with applications to style transfer
特点：使用多任务变分自动编码器模型，具有共享的潜在空间，能够改变从例如Classic到Jazz的完整组合的风格。除音符音高外，MIDI-VAE还模拟MIDI文件中包含的音乐的大多数其他方面，即速度，音符持续时间和乐器。

2018年的Conditional WaveGAN
特点：主要作用于文本转语音，可以从人类语音的小词汇中产生可理解的单词，以及合成来自其他领域的音频，例如鸟类发声，鼓和钢琴。

2018年的Symbolic Music Genre Transfer with CycleGAN
特点：主要应用于音乐流派的转移，如爵士到古典，古典到爵士，性能优于MIDI-VAE。

2019年的LakhNES: Improving multi-instrumental music generation with cross-domain pre-training
特点: 通过跨域训练提高多乐器的音乐生成效果
数据集：Lakh MIDI dataset，数据集是不含人声的歌曲，是并不是纯粹的单一乐器的的数据

2019年的利用MAESTRO数据集实现钢琴音乐分解建模与生成
特点：提出Wave2Midi2Wave网络。
数据集：使用的是MAESTRO Dataset，内容是钢琴语音和midi文件的成对数据集。