[發明專利]一種自動編曲方法及系統

有效

• 申請號: 201710317274.7
• 申請日: 2017-05-04
• 公開（公告）號: CN107123415B
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 吳振國;徐卓異
• 申請（專利權）人: 吳振國;徐卓異
• 主分類號: G10H1/00
• 分類號: G10H1/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本申請公開了一種自動編曲方法及系統，該方法包括：步驟S11：確定與初始時刻對應的輸入音符，得到當前輸入音符；步驟S12：對當前輸入音符進行特征提取，得到當前輸入音符特征；步驟S13：將當前輸入音符特征輸入至預先創建的訓練模型中，得到訓練模型相應輸出的音符，得到當前輸出音符；步驟S14：將當前輸出音符確定為下一時刻對應的輸入音符，并將下一時刻確定為當前時刻，然后重新進入步驟S12，直到循環次數達到預設次數閾值，并對每個時刻對應的輸出音符進行合并，得到相應的樂曲。本申請大幅提升了樂曲的創作效率，與此同時，也降低了樂曲的創作成本，降低了樂曲創作門檻。

技術領域

本發明涉及人工智能技術領域，特別涉及一種自動編曲方法及系統。

背景技術

編曲作為一種藝術創作，一直以來都是屬于門檻很高的藝術創作領域，需由專業的作曲家才能完成。當前，大部分的作曲家需要耗費相當長的時間周期才能完成一首樂曲作品的創作，也即，現有的樂曲創作效率較低，并且創作成本非常高，使得很難滿足民眾對音樂種類和數量的日益增大的需求。

綜上所述可以看出，如何提升樂曲創作效率并降低樂曲創作成本是目前有待解決的問題。

發明內容

有鑒于此，本發明的目的在于提供一種自動編曲方法及系統，能夠大幅提升樂曲創作效率并降低樂曲創作成本。其具體方案如下：

一種自動編曲方法，包括：

步驟S11：確定與初始時刻對應的輸入音符，得到當前輸入音符；

步驟S12：對當前輸入音符進行特征提取，得到當前輸入音符特征；

步驟S13：將當前輸入音符特征輸入至預先創建的訓練模型中，得到所述訓練模型相應輸出的音符，得到當前輸出音符；

步驟S14：將當前輸出音符確定為下一時刻對應的輸入音符，并將下一時刻確定為當前時刻，然后重新進入步驟S12，直到循環次數達到預設次數閾值，并對每個時刻對應的輸出音符進行合并，得到相應的樂曲；

其中，所述訓練模型的創建過程包括：獲取音樂訓練樣本，提取所述音樂訓練樣本的時間維度特征信息以及在不同時刻下對應的音符維度特征信息，利用所述時間維度特征信息和所述音符維度特征信息進行模型訓練，得到所述訓練模型。

可選的，任一時刻下對應的音符維度特征信息的提取過程，包括：

提取當前時刻下對應的音符的第一音符特征向量、第二音符特征向量、第三音符特征向量、第四音符特征向量以及第五音符特征向量；

其中，所述第一音符特征向量為用于對相應音符的音高在MIDI文件中對應的數字值進行記錄的向量，所述第二音符特征向量為用于對相應音符在一個八度內的位置進行記錄的向量，所述第三音符特征向量為用于對當前時刻下的音符和上一時刻下的音符之間的關系進行記錄的向量，所述第四音符特征向量為用于對上一時刻關聯關系進行記錄的向量，所述第五音符特征向量為用于對節拍進行記錄的向量。

可選的，所述利用所述時間維度特征信息和所述音符維度特征信息進行模型訓練，得到所述訓練模型的過程，包括：

將所述時間維度特征信息以及所述音符維度特征信息輸入到預先設計的神經網絡模型中進行模型訓練，得到所述訓練模型。

可選的，所述神經網絡模型為預先基于LSTM神經網絡設計的模型。

可選的，所述利用所述時間維度特征信息和所述音符維度特征信息進行模型訓練，得到所述訓練模型的過程之后，還包括：

利用梯度下降方法對所述訓練模型進行更新處理。

本發明還相應公開了一種自動編曲系統，包括模型創建模塊、音符確定模塊、特征提取模塊、音符獲取模塊以及樂曲生成模塊；其中，