[发明专利]一种智能作曲方法、装置、电子设备及存储介质

说明书

本申请提供了一种智能作曲方法、装置、电子设备及存储介质，该方法首先在生成第一声部音高序列和第一声部时值序列之后，对第一声部音高序列和第一声部时值序列进行曲线拟合，得到第二声部音高序列和第二声部时值序列；最后将所有声部的音高和时值序列进行合成，得到二声部作曲旋律，由于第一声部的音高和时值是由马尔可夫模型，双向循环神经网络和曲线拟合三种技术相混合的作曲网络结构生成的，能充分地挖掘音乐序列中过去时刻和当前时刻以及未来时刻的时序信息和语义信息，结合乐曲知识规则，生成具有典型某种特有乐曲风格的二声部乐曲，适用于复杂乐曲环境，无需对适应度函数进行选择。

技术领域

本发明涉及数据处理技术领域，具体涉及一种智能作曲方法、装置、电子设备及存储介质。

背景技术

人工智能作曲是利用机器学习，深度学习等人工智能技术对音乐数据进行挖掘与学习，从而生成与作曲家类似的音乐。人工智能作曲大大降低了音乐创作的门槛，使得非专业人士即使不懂乐理，也可以参与到创作中，同时也能提高专业人士的创作效率。

目前，现有的智能作曲方法主要通过将要参与进化的乐曲，先利用音乐规则为适应度进行衡量，然后再由人来挑选作曲的主题，使乐曲向有主题的趋势演化，避免进化乐曲所带有的随意性和无目的性。但是，该现有方式适应度函数选择比较困难，且需要人工选择主题乐曲以及仅使用单一算法生成乐曲较为简单，不适用于复杂乐曲环境。

发明内容

对此，本申请提供一种智能作曲方法、装置、电子设备及存储介质，以解决现有相关方案适应度函数选择困难，且需要人工进行乐曲主题选择及仅使用单一算法生成的乐曲较为简单，不适用于复杂乐曲环境的问题。

为实现上述目的，本发明实施例提供如下技术方案：

本发明第一方面公开了一种智能作曲方法，包括：

对预设MIDI数据集进行升采样编码，得到MIDI数据升采样序列；所述预设MIDI数据集包括若干段预设风格乐曲；

利用所述MIDI数据升采样序列对预设神经网络进行训练，得到乐曲预测模型；

基于所述乐曲预测模型和预设动机旋律模型，生成第一声部音高序列和第一声部时值序列；所述预设动机旋律模型是基于所述MIDI数据集所属的乐曲风格类型和马尔科夫模型得到的能够生成动机旋律规则的模型；

基于所述第一声部音高序列和所述第一声部时值序列进行曲线拟合，得到第二声部音高序列和第二声部时值序列；

将所述第一声部音高序列、所述第一声部时值序列、所述第二声部音高序列及所述第二声部时值序列进行合成，得到二声部作曲旋律。

可选地，上述的智能作曲方法中，对预设MIDI数据集进行升采样编码，得到MIDI数据升采样序列包括：

分别对所述预设MIDI数据集中的各段乐曲的音乐特征进行提取，得到每段乐曲的音乐特征集；所述音乐特征集包括：调式、MIDI音高及时值；

基于所述预设MIDI数据集中预先存储的调式转换表，将所述预设MIDI数据集中每段乐曲的乐曲调式进行统一，得到所述MIDI数据集对应的统一调式音高序列和统一调式时值序列；其中，所述统一调式音高序列与所述统一调式时值序列一一对应；

按照所述统一调式时值序列将所述统一调式音高序列进行升采样编码，得到所述MIDI数据升采样序列。

可选地，上述的智能作曲方法中，利用所述MIDI数据升采样序列对预设神经网络进行训练，得到乐曲预测模型包括：

对所述MIDI数据升采样序列进行预处理，得到模型训练数字序列；所述预处理包括：归一化处理；

将所述模型训练数字序列作为输入训练集，对预设神经网络进行训练，得到所述乐曲预测模型。