close
美國網紅兼流行歌手 Taryn Southern 近日發表了一張名為 I AM AI 的新專輯，
成為人類歷史上第一支正式發行的AI歌曲。
主打單曲《Break Free》雖然達不到格萊美的標準，但是完全聽不出是由應用程序編曲，
和音樂人的作品沒有太大差別，顛覆了普通人認為AI製作出來的歌曲會比較機械、情感空白的認識。
實際上人工智能巨頭公司都在深入研究AI音樂，
一些AI音樂作品已經達到「大師級」，甚至到了「以假亂真」的地步。
去年2月，第一部由算法創作的音樂劇《Beyond the Fence》在倫敦上演，獲得較高評價；
6月，Google研發的機器學習項目Magenta通過神經學習網絡創作出了一首時長90秒的鋼琴曲；
9月，索尼計算機科學實驗室人工智能程序創作一首披頭士音樂風格的歌曲《Daddy's Car》，廣受好評；
百度公司人工智能(AI)可以在分析畫作之後，作出與之風格相對應的曲子。
人工智能在作曲領域取得了許多令人欣喜的成就，已經成為能與人類協同創作複雜藝術作品的得力助手。
那麼，AI實現作曲的原理和技術路徑、有哪些優缺點和需要解決的問題，本文智能相對論簡要通俗地講講。
音樂發展至今，所有的創新和突破都在竭盡所能地逼近人類極限，
歷代西方作曲大師無不在偉大作品中留下探索音樂與新技術融合之道的時代印記。
從基礎理論設計與數學邏輯同構並進行符號化組織的角度來看，音樂雖然作為一門藝術，
卻有很強的可計算性，音樂模式背後蘊含著數學之美。
常規的作曲技法，如：旋律的重複、模進、轉調、模糊、音程或節奏壓擴，
和聲與對位中的音高縱橫向排列組合，配器中的音色組合，曲式中的並行、對置、對稱、迴旋、奏鳴等等，
都可以被描述為單一或組合的算法。這從本質上決定了，AI技術可以較好地應用到音樂創作上。
久負盛名的人工智能音樂作曲系統EMI，就是通過對作品進行分解，
以新的排列來復用這些結構進行重組，獲得不同風格的新音樂。
其實，早在上個世紀60年代，就已經有計算機與傳統音樂之間結合的嘗試，
直到廣泛研究智能算法的熱潮興起之後，許多基於機器學習神經網絡的開源項目浮出水面，
AI技術有了長足的進步，越來越多的人關注到這個科技與藝術奇妙結合的領域，
計算機音樂與傳統音樂的橋樑才逐漸架設起來。
人工智能在作曲主要基於以下幾種模型:
分形音樂模型、馬爾可夫鏈(Markov chain)模型、遺傳算法(Genetic Algorithm)模型、
人工神經網絡(Artificial Neural Networks)模型和各種基於規則知識的改進或混合模型。
1、分形音樂。它表明音樂完全可以通過數學算法進行創作。
分形音樂是幾何學在作曲中的應用，但是只能創作一些較為簡單的作品。
2、馬爾科夫鏈。由於建模簡單，可以即時產生新音樂，
所以一直被廣泛用於商業程序上，也大量出現在互動音樂藝術家的作品和即興演出中。
它基於隨機過程、概率邏輯的有限控制方法，尤其是使用馬爾科夫鏈結合一定約束規則，
在統計的基礎上對音樂的未來走向進行概率預測與風格邊界限制。
3、遺傳算法。將音符的排列組合進行編碼，模擬物種繁殖過程，自動挑選出最優秀的作品。
由於具有算法成熟和實現比較簡單這兩大優勢，遺傳算法得到廣泛關注。
但是，用遺傳算法進行智能音樂生成，選取合適的評價函數是非常富於挑戰性的工作，
一定程度上限制了應用的快速發展。
4、人工神經網絡。當前AI音樂研究的前沿技術，普遍採用具有深度學習能力的各種改進神經網絡模型，
來幫助人工智能模型學習樣本音樂中的關鍵元素以及套路。
模型充分學習一系列人類己經創作好的音樂，
提取和存儲音高、音長、音量、音色、音程、節奏、調式、和聲等關鍵特徵，
即可按照要求大量輸出有類似特徵的新音樂。
例如，Google Brain做的在線交互鋼琴只需要識別當前任意類型的少量音樂，
就可以根據音樂的相符度進行預測，實時輸出自動彈奏出搭配音樂。
目前AI作曲領域研究的方向主要在深層特徵的提取與應用和混合系統的構造上，還面臨以下幾個難點。
1．音樂的表示問題。音樂組曲過程較為複雜，現有特徵提取機制尚不能夠精確掌握一部作品的全部信息，
比如，作品中與樂句、調性等相關的音樂信息一般體現不出來。
如何精準表示音樂的細部特徵、提取音樂的深層邏輯、建立表層結構和深層邏輯的關係，
是AI作曲亟待解決的基礎性問題。
2．學習與創造的問題。通過大量學習而建立的作曲系統，能否「靈感一現」，
合理地突破預置規則，嘗試使用不同方式創造性地作出一些風格獨特，更生動、更具吸引力音樂作品。
如何進一步激發AI的創造性，實現從按照規則製作到突破規則創作的轉變，是AI作曲面臨的一個技術難題。
3．創作作品的質量評估問題。人類對音樂作品的評判往往比較感性，
因此作曲系統中的質量評估機制是一個非常重要的部分，
它往往會引導創作的方向，甚至最終決定作品的成敗。
把人類的審美觀用機器能夠理解的語言描述出來，建立有效的評判標準是研究人員首要面對的問題。
原文出處/36Kr
成為人類歷史上第一支正式發行的AI歌曲。
主打單曲《Break Free》雖然達不到格萊美的標準，但是完全聽不出是由應用程序編曲，
和音樂人的作品沒有太大差別，顛覆了普通人認為AI製作出來的歌曲會比較機械、情感空白的認識。
AI 也能作曲？誰來定義 AI 的 Freestyle？
實際上人工智能巨頭公司都在深入研究AI音樂，
一些AI音樂作品已經達到「大師級」，甚至到了「以假亂真」的地步。
去年2月，第一部由算法創作的音樂劇《Beyond the Fence》在倫敦上演，獲得較高評價；
6月，Google研發的機器學習項目Magenta通過神經學習網絡創作出了一首時長90秒的鋼琴曲；
9月，索尼計算機科學實驗室人工智能程序創作一首披頭士音樂風格的歌曲《Daddy's Car》，廣受好評；
百度公司人工智能(AI)可以在分析畫作之後，作出與之風格相對應的曲子。
人工智能在作曲領域取得了許多令人欣喜的成就，已經成為能與人類協同創作複雜藝術作品的得力助手。
那麼，AI實現作曲的原理和技術路徑、有哪些優缺點和需要解決的問題，本文智能相對論簡要通俗地講講。
AI作曲也在遵循「基本法」
音樂發展至今，所有的創新和突破都在竭盡所能地逼近人類極限，
歷代西方作曲大師無不在偉大作品中留下探索音樂與新技術融合之道的時代印記。
從基礎理論設計與數學邏輯同構並進行符號化組織的角度來看，音樂雖然作為一門藝術，
卻有很強的可計算性，音樂模式背後蘊含著數學之美。
常規的作曲技法，如：旋律的重複、模進、轉調、模糊、音程或節奏壓擴，
和聲與對位中的音高縱橫向排列組合，配器中的音色組合，曲式中的並行、對置、對稱、迴旋、奏鳴等等，
都可以被描述為單一或組合的算法。這從本質上決定了，AI技術可以較好地應用到音樂創作上。
久負盛名的人工智能音樂作曲系統EMI，就是通過對作品進行分解，
以新的排列來復用這些結構進行重組，獲得不同風格的新音樂。
其實，早在上個世紀60年代，就已經有計算機與傳統音樂之間結合的嘗試，
直到廣泛研究智能算法的熱潮興起之後，許多基於機器學習神經網絡的開源項目浮出水面，
AI技術有了長足的進步，越來越多的人關注到這個科技與藝術奇妙結合的領域，
計算機音樂與傳統音樂的橋樑才逐漸架設起來。
雖然是freestyle，也有一些作曲技術模型
人工智能在作曲主要基於以下幾種模型:
分形音樂模型、馬爾可夫鏈(Markov chain)模型、遺傳算法(Genetic Algorithm)模型、
人工神經網絡(Artificial Neural Networks)模型和各種基於規則知識的改進或混合模型。
1、分形音樂。它表明音樂完全可以通過數學算法進行創作。
分形音樂是幾何學在作曲中的應用，但是只能創作一些較為簡單的作品。
2、馬爾科夫鏈。由於建模簡單，可以即時產生新音樂，
所以一直被廣泛用於商業程序上，也大量出現在互動音樂藝術家的作品和即興演出中。
它基於隨機過程、概率邏輯的有限控制方法，尤其是使用馬爾科夫鏈結合一定約束規則，
在統計的基礎上對音樂的未來走向進行概率預測與風格邊界限制。
3、遺傳算法。將音符的排列組合進行編碼，模擬物種繁殖過程，自動挑選出最優秀的作品。
由於具有算法成熟和實現比較簡單這兩大優勢，遺傳算法得到廣泛關注。
但是，用遺傳算法進行智能音樂生成，選取合適的評價函數是非常富於挑戰性的工作，
一定程度上限制了應用的快速發展。
4、人工神經網絡。當前AI音樂研究的前沿技術，普遍採用具有深度學習能力的各種改進神經網絡模型，
來幫助人工智能模型學習樣本音樂中的關鍵元素以及套路。
模型充分學習一系列人類己經創作好的音樂，
提取和存儲音高、音長、音量、音色、音程、節奏、調式、和聲等關鍵特徵，
即可按照要求大量輸出有類似特徵的新音樂。
例如，Google Brain做的在線交互鋼琴只需要識別當前任意類型的少量音樂，
就可以根據音樂的相符度進行預測，實時輸出自動彈奏出搭配音樂。
創造AI的freestyle，它的難點在哪？
目前AI作曲領域研究的方向主要在深層特徵的提取與應用和混合系統的構造上，還面臨以下幾個難點。
1．音樂的表示問題。音樂組曲過程較為複雜，現有特徵提取機制尚不能夠精確掌握一部作品的全部信息，
比如，作品中與樂句、調性等相關的音樂信息一般體現不出來。
如何精準表示音樂的細部特徵、提取音樂的深層邏輯、建立表層結構和深層邏輯的關係，
是AI作曲亟待解決的基礎性問題。
2．學習與創造的問題。通過大量學習而建立的作曲系統，能否「靈感一現」，
合理地突破預置規則，嘗試使用不同方式創造性地作出一些風格獨特，更生動、更具吸引力音樂作品。
如何進一步激發AI的創造性，實現從按照規則製作到突破規則創作的轉變，是AI作曲面臨的一個技術難題。
3．創作作品的質量評估問題。人類對音樂作品的評判往往比較感性，
因此作曲系統中的質量評估機制是一個非常重要的部分，
它往往會引導創作的方向，甚至最終決定作品的成敗。
把人類的審美觀用機器能夠理解的語言描述出來，建立有效的評判標準是研究人員首要面對的問題。
原文出處/36Kr
全站熱搜
留言列表
