不會樂器也能作曲？AI開啟智能音樂創作 智周報告核心版

音樂創作是媒體市場中的重要一環，穩定高效的輸出高質量的音樂作品不僅僅是眾多藝術家關心的問題，更是媒體公司搶佔市場先機的必要條件；同時，由於版權意識的逐漸發展，部分非音樂行業從業者對於快速生成個性定製音樂的需求也在上升。智能音樂創作利用機器學習和神經網絡，能夠對音頻信號進行有效的處理，把握其中的關鍵特徵，從而生成出一大批各具特色的機器合成音樂，不僅能夠作為藝術家的靈感，還極大的充裕了市場，更解決了部分非音樂從業者對原創音樂的渴求。

作者 | 於琳洋

一、音樂市場的發展與現狀

世界音樂市場構成複雜並經歷過下滑時期，流媒體音樂的出現重構產業鏈並使市場收益穩步回升，並因此解放了人們欣賞音樂的時間空間限制。這種更為便捷的消費方式，極大的擴充了市場需求，而在現今的市場下：藝術家關心著如何能夠在有限的時間內生產出質量穩定的音樂作品；音樂出品商或平台希望能夠充盈自己的曲庫，並在短時間內搶佔市場份額；而眾多非音樂市場從業人也同樣關心著短時間內個性化音樂原創的問題。

二、音樂創作中的的智能技術

機器學習：是指利用人工智能模型對數據集合中的規律進行挖掘，並根據其特徵對其他數據進行預測。目前，在音樂創作中，開發者可以將眾多原始的音樂作品作為音頻輸入後轉化為MIDI文件，並利用人工智能模型學習其中的數據特徵規律，並針對需求進行不同的預測。

監督學習：機器學習的一種方法，通過讓模型觀察一些事先標記過的訓練范例之後再讓模型根據學習到的標記和特徵來對未知數據進行標記。在AI賦能的音樂創作中，將不同的音樂旋律范例標記為不同的情緒，之後讓訓練完成的模型對於機器生成的旋律進行評分，從而選擇出最符合當前情緒的音樂旋律。而除了標記情緒之外，這種標記還可以是視頻信號，其他文本信號等。

自監督學習：是機器學習的一種方法，與監督學習相似，但供模型觀察的數據不再有標記，而是依賴於模型發現數據中的關聯，從而對輸入的數據進行分組重構。利用自監督學習，研究者往往可以得到更多創新性的輸出結果，而不是僅僅依賴於原本定好的標記，自監督機器學習往往可以用於新的曲調創作，或新的聲音信號創造。

深度學習：指利用多層神經網絡對數據的特徵進行挖掘，對數據進行合理預測，最常見的是卷積神經網絡和遞歸神經網絡。卷積神經網絡可以將降維後的音樂旋律中的有效信息進行提取；遞歸神經網絡則可以根據輸入的數據和之前的預測來進行新的預測，生成關聯性更前的音樂序列。

特徵降維：音樂信號基於其本身的複雜性而具有高維數據的特徵，而人工智能在處理學習高維數據時的成本極大。將原始數據合理降維，突出關鍵信息，移除冗余特徵，從而讓人工智能模型能夠進行更有效的學習。

三、人工智能在音樂創作領域的應用分布

四、人工智能在音樂創作領域的落地案例

Amper Music：旗下產品Amper Score 能夠讓企業團隊在幾秒鐘之內生成個性定製的原創音樂，可選擇個性化的音樂風格，時長和曲風結構。這部分音樂可以用於視頻、部落格或者任何其他的媒體活動而不需要擔心版權問題。值得一提的是，Amper Score的人工智能系統中所有用於AI學習的數據——即樂曲本身——全部都是由Amper公司自主創作的。

Popgun：旗下產品鋼琴AI愛麗絲不需要任何的人為曲調輸入，便能夠自主作曲。Popgun也同時推出了架子鼓AI和貝斯AI，它們能夠單獨作曲，也能夠和愛麗絲一起，共同譜寫一段旋律。

Google AI-Magenta: 這一開源的研究項目主要目的是探索機器學習在音樂創作中的可能性。Magenta是以TensorFlow支持的Python庫文件的形式呈現，柯瑞包含了大量的原始數據：樂曲選段，歌曲選段，圖片等等。使用者可以利用這些數據來訓練基於機器學習的人工智能模型並且最終能從成熟的模型中衍生得到新的音樂產品。Magenta本身比較成熟的項目包括：Onsets and Frames——雙神經網絡疊加的鋼琴譜區工具，MusicVAE——旋律數據降維工具，和NSYNTH SUPER——機器合成音色開發工具。

Flow Machine：利用機器學習的方法，提取旋律中的關鍵信息，並利用這些信息作為變量，對人工智能模型進行訓練，從而使模型能夠生成一段新的旋律或和弦。值得一提的是，同樣利用這個人工智能模型，藝術家還可以對已創作的旋律進行填詞和其他修飾。

Melodrive：最成功的AI音樂引擎應用在於為遊戲場景提供背景音樂的即時演算。AI音樂引擎利用監督性機器學習在經過大量原始數據訓練之後，能夠根據遊戲中某時間節點，根據其所表達的情緒，自動合成其所需要的背景音樂。

五、人工智能在音樂創作領域的局限性

智能音樂生成技術使產品市場質量參差不齊：隨著人工智能賦能的音樂生成技術逐漸完善，音樂作品製作變得日益簡單，短時間內生成大量質量參差不齊的音樂作品，無疑會對市場造成極大衝擊，音樂市場份額被稀釋；

智能音樂生成技術衝擊傳統音樂產業：正如數字音樂的產生導致傳統唱片生產業的下滑一樣，智能音樂生成技術也會對傳統音樂創作產業造成影響，依賴人工創作的作品產能不及人工智能，沒有技術支持的音樂製造商前景堪憂；而實時生成個性化音樂大行其道，視頻、遊戲、電影配樂逐漸獨立，依賴於版權收入的傳統產業收入下滑可以預見。

六、人工智能在音樂創作領域的發展趨勢

個性化數字音樂生成漸成主流：隨著眾多新媒體的發展，脫離了版權限制的實時個性化數字音樂生成技術逐漸發揮其優勢，應用領域愈加廣泛，而應用手段更加靈活。從現今的短視頻配樂，遊戲場景配樂，向更複雜的應用場景發展；

音樂作品生成技術日臻成熟：現今的眾多AI音樂生成引擎技術尚在發展階段，而未來的AI音樂引擎必定更加成熟，結合自然語言處理技術，將會呈現比純音樂更為完整的音樂作品；

人工智能技術成為藝術家可靠助力：AI賦能的音樂創作並非作為人類創造力的挑戰，而是作為藝術家靈感的來源；簡短的AI自生成音樂可以作為新的創作素材。