人工智能技術在音樂創作中的應用

[摘??要]在“互聯網+”時代，人工智能技術得到了飛速發展，并在眾多領域得到了廣泛應用，音樂領域也不例外。通過在音樂創作中合理應用人工智能技術，可以徹底改革傳統音樂創作模式，提高音樂創作實效性。本文立足音樂創作現狀，對人工智能技術的應用意義與表現進行了重點論述，旨在可以為數字化音樂產業發展提供一些理論參考。

[關鍵詞]音樂創作;人工智能技術;應用意義

在信息技術快速發展的背景下，以人工智能（下稱AI技術）為代表的科技是當下科研領域研究與應用的熱點。AI技術的誕生可以賦予計算機更加人性化、智能化的功能，使得計算機不再呈現為冷漠的“死物”，而開始具備人類思考及情感方式的“活物”，這使得其同樣可以完成一些創造性任務，不再單純執行重復性操作[1]。同理，在音樂創作領域中，通過AI技術的引入可以輔助音樂創作者更加高效完成作曲任務，提高了音樂創作質量與效率。

一、音樂創作中人工智能技術的應用意義

（一）識別音樂旋律情況

在音樂創作過程中需要運用到豐富的音樂方面的知識，如要注重旋律、節奏、音調等眾多方面的內容，它們本身是決定最終音樂創作質量的關鍵指標與因素。以旋律為例，基于AI技術的創新應用可以實現對音樂旋律進行高效識別這一基本功能，即基于數學方法與思想來對相關音樂旋律方面的數據是否存在于固有音樂模式之中來進行數據對比分析，以此來驗證相應音樂旋律本身的合理性與科學性。通過有效地對音樂旋律進行識別，可以使計算機或者其他一些專門音樂創作相關的設備基于已有音樂旋律方面知識融入到全新的創作數據中，這樣就可以借助計算機來判定所創作音樂旋律是否同既有的音樂旋律知識庫中相關數據是否匹配，最終可以借此來實現“聽歌識曲”或“聽音識曲”等軟件功能，這些都是AI技術和音樂旋律識別功能的有機結合。但是為了保證基于AI技術的音樂旋律識別準確度與效率，必須要采取緊密性、高效性的計算方法，保證可以通過高效地分析音樂調性及開展自動標注等功能來提高音樂旋律及結構等方面知識分析及應用效果。這樣會為數字化音樂創作乃至智能化管理等提供強大的技術支持，提高了相關音樂作品創作的實效性。

（二）預測音樂流行情況

在音樂創作過程中需要考慮的一個關鍵指標是所創作的音樂作品是否會受到社會大眾的青睞及喜愛，所以音樂流行情況也是音樂創作中需要考慮的重要指標之一。以往的音樂流行情況方面數據多采取問卷調查等線下調查方式來獲取，但是基于AI技術的應用則可以借助大數據技術等先進科學技術，基于計算機平臺來對所創作音樂作品本身的流行性進行有效地預測[2]。比如，“Shazam”這一音樂軟件（英國）對本年度的夏季流行音樂榜單進行了預測，期間有效地挖掘了每天2億多用戶使用軟件的情況來挖掘、利用及分析這些相關方面的數據資源。這使得其在預測流行音樂本身的流行趨勢方面要顯著超前于人為思考方式。通過基于AI技術來對時下流行音樂本身的流行趨勢進行大膽地剖析，之后可以結合預測的結果來對音樂創作的內容進行合理調整，保證所創作出來的音樂作品本身可以符合當下流行趨勢與風向，避免因為沒有前期調研市場的音樂流行趨勢而直接影響了最終的音樂作品設計效果。

（三）音樂創作的進化樹

在音樂創作中或者對音樂作品風格進行研究的過程中，“進化樹”扮演著非常重要的角色。基于音樂進化樹的靈活應用，可以對有關音樂作品的創作者所創作出的音樂作品的風格，或者某一種音樂流派本身的發展趨勢進行有效的梳理。但是以往的人工審查及分析方式具有比較低的效率，且容易受到人為主觀因素的影響，但是此時如果可以創新應用AI技術來賦予計算機更加豐富、多樣的功能，那么就可以借助一些特殊計算手段與方法的靈活應用來對相應音樂進化樹本身進行更加高效地剖析及確定，提高了音樂進化樹分析結果的可靠性與準確性，從而可以更好地服務于音樂創作實踐活動。有關學者在對進化樹進行分析過程中有效運用了一種基于AI技術的自動化定量剖析算法來對不同流行音樂作品集彼此之間的相似度情況進行有效分析。基于AI算法的靈活運用，可以基于計算機平臺來講各首音樂作品本身相應地轉換成以二維頻譜形式呈現的直觀視覺圖片，借此可以對歌曲作品本身的聲波變化中的紋理、形狀與頻率等進行有效地呈現。與此同時，基于這種AI算法的靈活應用，還可以通過對聲音“頻譜”進行對比分析來分析以及排列不同的歌曲作品。最后基于數學領域中的統計學知識可以高效地分析不同音樂作品彼此之間的祥光新。這樣就可以借助得到的樹狀圖中連線長度情況來對它們彼此之間相似度進行反映。一般連線長度越大，那么二者具有越低的相似度，反之則具有更高的相似度。通過該種AI算法應用可以對不同音樂流派彼此之間的相關性，以及同一流派中不同音樂家彼此創作風格等之間的相關性進行有效地分析，這樣就借助基于AI技術的“進化樹”來助力音樂創作活動高效開展。

（四）賦予音樂作品情感

音樂本身不僅僅反映的是一種對生活情形的表達，更是一種對內心情感進行有效表達的方式。音樂本身和個人情緒或情感之間具有非常強的聯系性。基于音樂作品的創作，同樣需要綜合考慮所創作音樂作品本身所要向受眾傳達的內在思想情感，或者悲涼或者歡快等等。比如，如果要配合激動震撼的演講活動，那么適宜選擇大調樂曲來展現出激昂特性，因為其本身具有優美、流暢的旋律以及鮮明、暢快的節奏，并且其中往往會融入一些自得其樂的良好情感和情緒。比如，在G大調弦樂小夜曲創作中就有效地融入了上述這種非常真實的作品情感，提高了整體作品創作的效果。而在其他一些場合當中，如要為受人敬愛的逝世者起祈禱，此時悼詞或者音樂都要展現出悲哀的情緒，相應的樂曲作品本身要展現出委婉、舒緩的小調旋律，這樣才能夠更好地使所創作的音樂作品本身可以充分展現出內心的凄切和悲涼等感情。通過這種有效利用音樂表達情感的方式才能夠更好提升整體的音樂創作效果。而至于為什么大調音和小調音本身所展現出的兩種不同的情感表達方式方法本身是音樂史中非常關鍵的一個研究課題。而在以往依靠人工統計分析的方式，整體的統計分析效率低下，結果準確性不足。而此時如果可以創新應用AI技術，那么可以借助AI計算的方式來對各種音樂創作中的音樂進行情緒或心情標注。比如，有些音樂創作方面的相關企業可能會借助網絡平臺的構建來為他們提供一些匹配他們各自心情的情緒，或者針對某些情感的音樂歌曲來相應地提供其具體的風格等等，這樣都可以保證最終所創作的音樂作品本身更容易符合受眾的心境，這更有利于引發他們內心的情感共鳴。比如，基于智能化穿戴設備的應用，可以對用戶心率、面部表情等進行有效捕捉，并結合這些數據來進行AI分析，這樣就可以明確用戶此時的心情狀態，之后可以繼續為他們提供符合他們心情的音樂作品，極大提高了整體的音樂作品設計效果。此外，在音樂創作實踐中，如果可以靈活地應用AI技術，那么可以在創作音樂作品實踐中更好地為作品賦予相應的內心情感，這對提高整體的音樂作品創作效果也有非常大的幫助。

（五）提高音樂創作質量

AI技術在音樂創作實踐中的有效應用有效助力了傳統音樂創作活動的高效開展，無論在音樂創作思路、創作技術支持以及創作作品評估及分析等方面都可以提供強大的技術支持，這樣方能夠更好提高音樂創作的整體質量。與此同時，在音樂創作過程中有效應用AI技術期間，還可以通過認真分析音樂信號本身的種類，如對音頻信號本身是否屬于波形文件及其本身的頻率情況進行分析，這些都可以借助傅里葉等方面統計分析技術來對音頻頻譜信息及數據等進行有效地分析。而這一切變化都可以借助專門的基于AI技術的機器來高效地處理相關信息，確保音樂創作過程中相應音樂規則以及音樂信息處理效率，提高了整體音樂作品的整體創作效果。特別是可以立足于AI技術視角，通過自動化融入一些音樂旋律等方面的要素來時所創作出來的作品本身增加生動、形象，更富有豐富、充足的音樂情感，提高了整體音樂作品創作的質量。此外，相較于傳統音樂作品本身的創作流程，基于AI技術的有效支持，可以更好地提高相應音樂創作本身的效率，使音樂創作活動變得更加輕松，更加有趣，這是傳統音樂創作手段及方法所無法比擬的巨大優勢，對提高整體的音樂創作效果有積極意義。

二、音樂創作中常見的人工智能技術及應用

（一）神經網絡

以往AI技術本身應用中主要采用規則的方式執行程序，即依據由上到下的思路來進行問題分析及解決。而神經網絡（NN）則是基于由下向上的思路來對問題進行分析及求解，其最大的特征就是對人類頭腦中的神經元彼此之間的信息傳遞模式進行模仿。NN本身具備如下2個突出的特征：一是各個神經元都可以基于對應輸出函數來對相鄰神經元彼此之間的對應加權輸入值進行合理計算及有效處理;二是基于加權值來對神經元彼此之間的信息交互聯系進行表達，相應的算法處理起來也是一直秉承持續開展自我學習和持續調整及優化這一基本理念。此外，神經網絡本身的處理環節涉及到海量數據開展訓練，所以NN處理數據的過程本身具備了自組織與適應，并行、分布式以及非線性等多樣化的計算特征。

在以往人工創作音樂作品期間，通常需要先后經歷賞析和感知音樂作品內涵，模仿音樂創作，以及逐步過渡到最終的獨立開展音樂創作。在整個音樂創作實踐中實際上包含著非常豐富的音樂創作知識，如包含學聲理論、作曲技巧與方法等等，同時學習者需要在音樂創作的實踐中或者訓練中需要接受指導者的反復批評改正及教育引導方可使他們對自己的音樂創作思路進行不斷改進及完善。這些學習過程實際上都可以創新應用基于NN的架構來進行有效模擬，同時NN這一AI技術本身應用于音樂創作的一個重要表現就是巧妙地應用NN來構建音樂創作基本思路及架構。但是在基于NN運作期間主要涉及到數據輸入及輸出環節，還設置有感知器來保證完成音樂創作數據的高效應用及處理任務。實際上，可以將NN當成一個“黑盒子”，只需要給予其充足的訓練干預，即通過在輸入端持續性給定必要的X數據訓練之后就可以從輸出端獲取到預期的Y。只有經過基于NN開展海量數據處理及分析之后方可從中找到最佳的答案，而持續分析的過程可以對所構建的數據分析訓練模型進行持續性修改及完善，保證可以更好地助力音樂創作活動高效開展。音樂本質上是一種時間和語言的藝術，其中許多信息都是建立在時間軸基礎上，而神經網絡本身涉及到比較多的網絡實現機制，并且RNN這一神經網絡可以對時間軸信息進行高效處理。因為RNN本身可以通過對時間維度信息進行表示的相關參數新增來確保NN除了可以結合現階段數據開展數據分析外，也可以有效利用先前的數據分析來高效開展學習活動。基于RNN本身的應用優勢及特征，可以在音樂創作中有效運用RNN來提高整體的音樂創作效果。

（二）長短期記憶單元

長短期記憶單元（LSTM）本身是一種對RNN結構的升級結構，不僅可以對RNN本身的爆炸所形成的神經網絡或梯度消失問題進行有效克服的同時，也充分地繼承了RNN分析模型本身的各種優勢特征及應用作用。比如，RNN固然能夠高效處理時間維度的相關信息，但是如果拉長了時間間隔，那么信息長期保存之后所形成的學習效果不是非常理想，這樣會對音樂信息處理效果帶來不利影響。而對該問題進行有效求解的一個有效手段就是對網絡存儲進行擴增。而基于LSTM的有效應用則可以實現長期保存及輸入自然行為方面的數據。實際上，LSTM本身相較于RNN的改變是多了忘記門、輸出門和輸入門這3個門。在實際的應用過程中，LSTM本身的數據處理效果要顯著由于RNN的數據處理效果，尤其是這種優勢最早被應用在了編解碼、對話生成與機器翻譯等這些領域當中。簡言之，基于LSTM的靈活應用，可以對超出人類思維和認知范疇等一些更為復雜的思考過程進行有效地表征，所以更有利于助力音樂創作活動的高效開展。

（三）自動編碼器

編碼器本身的非監督學習這一過程本身是建立在壓縮或解壓特征數據的基礎上，并且本質上是由多層神經網絡所構成，同時其本質上也是非監督學習數據的一種重要模型。音樂創作過程中的相關數據本身不存在優劣之分，所以更加適宜于引入及應用非監督模式。而其中的變分自動編碼器（VAE）實際上就是一種常規自動編碼器本身的升級型號，其結構和一般自動編碼器之間具有相似性，但是其根本原理及相關的區別主要體現在增設了一些限制因素和條件。這種處理原理實際上和音樂創作思維之間具有非常強的相關性。音樂創作過程本身上實際上就是一個規則與創作二者并存的過程，相應的VAE機制構建及應用則可以很好地符合相應的音樂創作需求及條件。

在音樂創作實踐當中，通過創新應用VAE可以在對多聲部音樂的樂器和高動態等相關信息進行分析及剖析的過程中獲得更好應用，尤其是在爵士樂、古典樂等方面這些創作特征表現的更加顯著。特別是可以借助VAE的有效應用來講莫扎特的音樂作品以爵士風格進行再現，這樣就可以使所創作的音樂作品本身呈現出一種混搭的風格及方式。VAE本身是音樂內容生成過程中最優的一種方法，其可以對各種類型及形式的音樂數據進行生成，如在多聲部音樂作品的生成過程中得到了廣泛運用。然而，在相關的音樂數據本身屬于多模式的條件下，VAE無法提供更為明確的機制，無法推理離散值中的各種潛在變量，所以這就會對實際的音樂創作實踐活動有序開展造成限制。比如，在處理C大調和c小調期間，對音階當中各種音的使用趨勢及傾向是各不相同的，尤其是在擴展到不低于24音的情況下VAE伴有比較嚴重的處理困難問題。針對這種情況，許多音樂創作者想要借助“LSTM+VAE”這種方式來避免單一應用VAE所存在的一些突出問題，更有利于提高音樂作品本身的創作實效性。但是在實際的音樂創作中融入VAE的過程中必須要注意結合實際的情況來進行合理設計，保證可以對其中涉及到的和弦問題進行有效分析、評級及評估，保證可以最大程度助力音樂創作的實效性。

結??語

總之，AI技術是助力音樂創作質量與效率提升的一種先進科學技術。通過在音樂創作中有效融入AI技術，可以識別音樂旋律情況，預測音樂流行情況，音樂創作的進化樹，賦予音樂作品情感和提高音樂創作質量。而在實際的音樂創作中應用AI技術期間，要注意結合實際創作需求來靈活地選用神經網絡和長短期記憶單元、自動編碼器等，保證最大程度提升音樂創作質量。

注釋：

[1]陳世哲.淺談人工智能技術在音樂創作中的應用[J].音樂探索，2020（01）：125—132.

[2]毛暉敏.人工智能技術在音樂創作中的運用探析[J].文藝生活·下旬刊，2021（15）：275—276.

[收稿日期]2021-12-08

[作者簡介]王瑗瑗（1972—??），女，遼寧師范大學音樂學院副教授。（大連??116021）

（責任編輯：張洪全）