[Закрываются] процедурные музыкальные методы поколения

Ive, изучая выполнение это проектное предложение - "8.1 " из "Теории и практики на языке программирования" исследовательская группа из Копенгагенского университета - отдел CS:

8.1 Автоматизированных Сборов урожая и Статистический анализ Музыкальных Корпусов

Традиционный анализ нот состоит из одного или нескольких людей, анализирующих ритм, последовательности хорды и другие характеристики единственной части, установленной в контексте часто неопределенного сравнения других частей тем же компоновщиком или другими компоновщиками с того же периода.

Традиционный автоматизированный анализ музыки едва рассматривал ноты, но сфокусировался на анализе сигнала и использовании методов машинного обучения, чтобы извлечь и классифицировать в, скажем, настроении или жанре. Напротив, начинающееся исследование в DIKU имеет целью автоматизировать части анализа нот. Добавленная стоимость является потенциалом для извлечения информации от больших объемов нот, которые не могут легко быть сделаны вручную и не могут быть значительно проанализированы методами машинного обучения.

Это - как я вижу, это - является противоположное направление Вашего вопроса сгенерированные данные - я воображаю - мог использоваться в некоторых случаях процедурного поколения музыки.

Если Вы в более глубокие теории о том, как музыка остается целым, , сайт Bill Sethares имеет некоторые интересные скручивания.

Не совсем, что Вы после, но я знал кого-то, кто посмотрел на автоматическую генерацию наборов ди-джея, названных Музыкальное Подобие На основе содержимого .

Назад в конце 90-х, Microsoft создала элемент управления ActiveX, названный "Интерактивным Музыкальным Управлением", которое действительно требовало что Ваш поиск. К сожалению, они, кажется, имеют, отказываются от проекта.

Определенная методика, которую Вы описываете, является чем-то, над чем Thomas Dolby работал десять или пятнадцать лет назад, хотя я не могу помнить теперь, что он назвал ею так, я не могу дать Вам хороший критерий поиска.

, Но см. этот статья Wikipedia и этот страница Metafilter.

Техника, которую я рассматривал, должна создать маленькие музыкальные шаблоны до панели или около этого. Отметьте эти шаблоны с чувством идентификаторов, таких как 'волнение', 'интенсивное', и т.д. Когда Вы хотите генерировать музыку для ситуации, выберите несколько шаблонов на основе этих тегов и выберите инструмент, с которым Вы хотите играть его. На основе инструмента выясните, как объединить шаблоны (например, на фортепьяно можно быть в состоянии играть все это вместе, в зависимости от ручного промежутка на гитаре, можно играть примечания в быстрой последовательности), и затем представьте его к PCM. Кроме того, Вы могли изменить ключ, скорость изменения, добавить эффекты, и т.д.

Исследование в области нескучного процедурного музыкального поколения идет путем назад. Просмотрите старые и новые выпуски Компьютерного Музыкального Журнала http://www.mitpressjournals.org/cmj (никакое реальное доменное имя?) Это имеет серьезные технические статьи фактического использования музыкальным умельцам синтеза, жокеям паяльника, разрядным пастухам и академическим исследователям. Это - ot пушистые обзоры и берет интервью у обрывка, такого как несколько из mags, которые можно найти в крупнейших книжных магазинах.

Мне всегда нравились старые игры Lucasarts, которые использовали iMuse систему, которая произвела бесконечную, реактивную звуковую дорожку для игры и была очень музыкальна (потому что большая часть из нее была все еще создана компоновщиком). Можно найти спецификации (включая патент) здесь: http://en.wikipedia.org/wiki/IMUSE

Nintendo, кажется, единственная компания для тихого использования подхода, подобного iMuse, чтобы создать или влиять на музыку на лету.

, Если Ваш проект не очень экспериментален, я не отказался бы от использования компоновщика - реальный человеческий компоновщик приведет к намного большему количеству музыкальных и приятных для слуха результатов, чем алгоритм.

Сравнивают его с записью стихотворения: можно легко генерировать nonsene стихи, которые звучат очень авангардистскими, но копировать Шекспира с алгоритмом является трудным, выражаясь мягко.

Мое программное обеспечение использование применило эволюционную теорию "вырастить" музыку. Процесс подобен Richard Dawkins Слепой Часовщик программа - MusiGenesis добавляет музыкальные элементы случайным образом, и затем пользователь решает, сохранить ли каждый добавленный элемент. Идея состоит в том, чтобы просто сохранить то, что Вы любите, и канава вообще не звучит правильной, и у Вас не должно быть музыкального обучения использовать его.

интерфейсные удары, но это старо - предъявляют иск мне.

У Dmitri Tymoczko есть некоторые интересные идеи и примеры здесь:

http://music.princeton.edu/~dmitri/whatmakesmusicsoundgood.html

Легкий и несколько эффективный алгоритм должен использовать 1/f шум иначе "розовый шум" для выбора продолжительностей и примечаний от масштаба. Это звучит как вид подобной музыки и может быть хорошей начальной точкой.

А лучший алгоритм должен использовать "цепи Маркова".. просканируйте немного музыки в качестве примера и создайте таблицу из вероятностей. В самом простом случае это было бы что-то как C, 20%, вероятно, для следования за A. Для создания этого лучше посмотрите на последовательность прошлых немногих примечаний, например, "C B" 15%, вероятно, чтобы сопровождаться B, и 4%, вероятно, чтобы сопровождаться Bb, и т.д. Затем просто выбирают примечания с помощью вероятностей ранее выбранных примечаний. Этот удивительно простой алгоритм генерирует довольно хорошие результаты.

Цепи Маркова для музыкального поколения

Самая успешная система, вероятно, объединит несколько методов. Я сомневаюсь, что Вы найдете одну технику, которая работает хорошо на мелодию, гармонию, ритм и басовое поколение последовательности через все жанры музыки.

Цепи Маркова , например, хорошо подходят для мелодичного и гармонического поколения последовательности. Этот метод требует, чтобы анализ существующих песен создал цепочечные вероятности перехода. Реальная красота Цепей Маркова состоит в том, что состояния могут быть тем, что Вы хотите.

• Для поколения мелодии, попробуйте ключевые относительные числа примечания (например, если бы ключ является до минором, C был бы 0, D был бы 1, D# был бы 2 и так далее)
• Для поколения гармонии, попробуйте комбинацию ключевых относительных чисел примечания для корня хорды, типа хорды (главный, незначительный, уменьшенный, увеличенный, и т.д.) и инверсия хорды (корень, первый или второй)

, Нейронные сети хорошо подходят прогноз временного ряда (прогнозирование), что означает, что они одинаково подходят для 'предсказания' музыкальной последовательности, когда обучено против существующих популярных мелодий/гармоний. Конечный результат будет подобен тому из подхода Цепи Маркова. Я не могу думать ни о каком преимуществе по подходу Цепи Маркова кроме сокращения объема потребляемой памяти.

, Кроме того, для подачи Вам будет нужна продолжительность для определения ритма сгенерированных примечаний или хорд. Можно принять решение включить эту информацию в состояния Цепи Маркова или выводы нейронной сети, или можно генерировать ее отдельно и объединить независимую подачу и последовательности продолжительности.

Генетические алгоритмы могут использоваться для развития ритм-секций. Простая модель могла использовать двоичный файл хромосома , в котором первые 32 бита представляют шаблон бас-барабана, вторые 32 бита за ловушку, третьи 32 бита закрытый привет шляпа и так далее. Оборотная сторона в этом случае - то, что они требуют, чтобы непрерывная человеческая обратная связь оценила фитнес недавно развитых шаблонов.

экспертная система может использоваться для проверки последовательностей, сгенерированных другими методами. База знаний для такой системы проверки может, вероятно, быть снята с любой хорошей музыкальной книги теории или веб-сайта. Судите Ricci Adams musictheory.net .

My opinion is that generative music only works when it goes through a rigorous selection process. David Cope, an algorithmic music pioneer, would go through hours of musical output from his algorithms (which I think were mostly Markov Chain based) to pick out the few that actually turned out well.

I think this selection process could be automated by modeling the characteristics of a particular musical style. For instance, a "disco" style would award lots of points for a bassline that features offbeats and drum parts with snares on the backbeats but subtract points for heavily dissonant harmonies.

The fact is that the music composition process is filled with so many idiomatic practices that they are very difficult to model without specific knowledge of the field.

Существует более 50 лет исследований этих методов, которые часто упускаются из виду разработчиками, не знакомыми с историей компьютерной музыки и алгоритмической композиции. Многочисленные примеры систем и исследований, направленных на решение этих проблем, можно найти здесь:

http://www.algorithmic.net