智能编曲软件中文版
PGMusicBand-in-a-Box2020PC|2.6GB梦想着流线型的音乐伴奏和歌曲创作？PG音乐盒装2020正是您所需要的。您可以使用类似MIDI的控件从预先录制的音频中创建超逼真的背景音轨。您所要做的就是输入和弦，选择适合您的视觉风格，盒装乐队将负责其余的工作。2020年版的即装即用功能具有50多种新功能和升级功能，包括RealTracks加厚功能，改进的时间/音高操作以及易于使用的功能浏览器。而且您会发现BIAB2020更新了搜索选项，比以往更容易浏览和创建。获取您的《Band-in-a-Box2020》副本，让您的音乐栩栩如生。
PGMusicBand-in-a-Box2020OverviewDreamingofstreamlinedmusicalaccompanimentandsongcreation?PGMusicBand-in-a-Box2020isjustwhatyouneed.Youcancreateultra-realisticbackingtracksfrompre-recordedaudiowithMIDI-likecontrol.Allyouhavetodoistypeinyourchords,chooseastylethatfitsyourvision,andBand-in-a-Boxwilltakecareoftherest.The2020editionofBand-in-a-Boxfeaturesmorethan50newfeaturesandupgrades,includingRealTracksThickening,improvedtime/pitchmanipulation,andaneasy-to-useFeatureBrowser.Andyou’llfindthatBIAB2020hasupdatedsearchoptionsthatmakeiteasiertonavigateandcreatethaneverbefore.GetyourcopyofBand-in-a-Box2020andbringyourmusictolife.
202newRealTrackstogetyouinspiredPGMusicBand-in-a-Box2020adds202brandnewRealTracksforyourenjoyment.Thispowerfulcompositiontooladds69jazz,blues,funk,andLatinRealTrackstoyourarrangements.Forpercussion,youcanchooseLatinGroovesoramazingfunk-stylearrangements.Yourcompositionscangetthatextraboostfrompowerfulgospelvocalsorskabasslines.YoualsogetaMexicanBajoSexto,funkyguitarsanddrums,harmonica,djembe,horns,andmore.66pop,rock,andworldRealTracksgiveyouaccesstonewtexturesincluding“classic”rockguitarsand“cinematicmetal”guitar.Forthesinger-songwriter,therearenewcontemplativetrackstopairwithyourlatestlyricalexploration.Andifyou’vebeenitchingtoexpandyoursonichorizons,thereare67newcountry,Americana,andCelticRealTracks.Therearetwosetsof“CountryPollwinner”RealTracksfromCMAGuitaristoftheYearawardwinners,DannyRaderandBrentMason.Andforalittlemorefun,youcanexploreCelticinfluenceswiththeancienttwangoftheincluded“JawHarp”RealTracks.WhateverRealTracksyouchoosetoaddtoyourgroove,everytrackwasrecordedbysomeofthebestsessionmusiciansouttheretogiveyouthebestqualitypossible.
TonsofnewfeaturesandenhancementsBand-in-a-Box2020isthemostpowerfulversionyet,offering50newfeaturesandenhancements.RealTracksgetsafewenhancementstomakethemsoundsmoother.You’llalsonoticetheThickeningcontrolthathelpsyougetthesamechunkyguitartonesyou’veheardonyourfavoriterecords.Thenew“Find-a-Sub”featurefindsandsuggestsRealTracksthathaveasimilarfeel,tempo,andgenretokeepyourarrangementssoundingfresh.AndthenewArtistBrowserprovideshelpfulinfo,bios,andmorefromeachoftheartistswhocontributedtothisversionofBIAB!TheBand-in-a-BoxusershereatSweetwaterappreciatetheFeatureBrowserthathelpsneworforgetfulusersfindandusemostofBIAB’sfeaturesandhotkeysfromasinglewindow.Beyondthat,PGMusiceventhrewintheBand-in-a-BoxMIDISongs&LessonsPAK.Itgivesyou25MIDIadd-ons,includingEssentialRiffsandPhraseSeries,Fakebooks,MasterSolosSeries,InstrumentalStudies,CountryGuitarSolos,andmanymore!TheonlywaytotrulyexperienceeverythingthatBand-in-a-Boxcandoistotryitoutforyourself,sowhatareyouwaitingfor?
PGMusicBand-in-a-BoxAudiophileEdition2020Includes:Band-in-a-Box2020Over2,900RealTracksOver175MIDISuperTracksOver2,000MIDIStylesOver300MIDISoloistsOver200MIDIMelodists145ArtistPerformancesOver1,000LoopsBand-in-a-BoxMIDISongsandLessonsPAKFeaturesofPGMusicBand-in-a-Box2020Belowaresomenoticeablefeatureswhichyou’llexperienceafterPGMusicBand-in-a-Box2020freedownload.
PGMusicBand-in-a-Box2020Features:NEW 202RealTracksplayedbyoutstandingmusiciansNEW 250RealStylesforextrasonicvariationNEW 20additionstoRealBandNEW FeatureBrowserhelpsnewusersharnessthefullfunctionalityofBIABinonewindowNEW RealDrumsTranscriptionshelpyouseeexactlywhat’sbeingplayedNEW StudentViewguitarhelpsyouvisualizeguitarpartsNEW “Find-a-Sub”findsandsuggestsnewRealTrackstokeepthingsfunkyfreshNEW ThickeningcontrolbolstersguitarpartsNEW ArtistBrowserprovidesinterestingbiosandotherinformationontheartistsbehindthetracksNEW EqualizeTempochangesarecordedsongtoafixedtempoStylePickerandStyleMakerenhancementsmakelocatingandcreatingstylesfasterandeasierAdvancedsearchfiltersforRealTracksPicker,RealDrumsPicker,BestRealTracks,andMIDINEWSuperTracksPicker64-bitarchitectureaccommodatesthelatestaudiodriversandplug-insRunsasaplug-ininanyVST-compatibleDAWSongPickerfindssongswitheaseUserTracksincludehalf/double/tripletime,rests,3/4time,andmoreNaturalArrangementsprovidesfreedomtochoosedifferentchordextensionsIncludesnotationenhancementsandhotkeysAudioHarmoniesenhancementsdeliversophisticatedharmonieswithpassingtonesFeatureforfills,turnarounds,postfillsandodd/evenbarstobeattherightplacePGMusicBand-in-a-Box2020TechnicalSetupDetailsSoftwareFullName:PGMusicBand-in-a-Box2020SetupFileName:PGMusicBand-in-a-Box2020.zipSetupType:OfflineInstaller/FullStandaloneSetupCompatibilityArchitecture:32Bit(x86)/64Bit(x64)SystemRequirementsForPGMusicBand-in-a-Box2020BeforeyoustartPGMusicBand-in-a-Box2020freedownload,makesureyourPCmeetsminimumsystemrequirements.
BB2020PC提取码：
人工智能：作曲we can do it！
人类大致有两种方法参与自动音乐生成：
自动生成。基于各种技术进行全自动音乐生成，而人类仅指定风格参数。如NVIDIA的AIVA就是一个典型的例子。辅助作曲。FlowConmposer是一个典型的例子。这里算法为人类的作曲做出建议和补充，进行共同作曲。目前大部分的算法都属于第一类方法。第二种方法在很多情况下是第一种方法的组合和变体。
一个例子
2019年3月21日，GoogleMagenta组贡献了一个交互式算法demo，称为BachDoodle，通过学习J.S.Bach的四重奏，算法可以由用户指定第一声部，然后自动计算给出剩余的三个声部。
（虽然很难听，但是Magenta在computermusic领域黑不动）
BachDoodle
我们以这个算法的雏形和前身“MiniBach”算法开始。
Tospecifytheproblem,我们形式化决定算法仅生成四个小节的音乐。
如何将音乐转换为符号表示，其实有很多种方法。被公认的主流方法之一是piano-roll及其变体。midi可以表示128个不同的音高，将129指定为rest，130指定为sustain（持续），则音乐可以用一个130*N的矩阵表示。N取决于分辨率和音乐实际长度。主流设置是将16分音符作为最小的分辨率，那么一个4/4拍的两小节音乐可以被表示为130*32的矩阵。
pianoroll的起源是匀速运动的打孔纸带
然而minibach作为早期模型，没有采用成熟的表示法，而是将21个音高*16个step*4个小节=1344，一共1344个node，使用了一个多分类器进行学习：
minibach音乐人工智能的先驱者们
下面直接进入神经网络相关的模型：一波星星之火随着深度学习的浪潮而兴起。
首先是Todd的时间窗口-条件循环结构。
Todd的目标是以迭代的方式产生单音旋律（monophoicmelody）。他的第一个设计是time-window结构，通过滑窗的方法，逐段地反复地进行旋律生成，上一段的输出作为下一段的输入。这是一个非常直接且朴素的想法。注意，这个idea是在1989年产生的，距离LSTM的正式诞生还有26年。
Todd的TimeWindows结构
他还设计了Sequential结构，输入层分为两部分，分别是context和plan。context是生成的历史旋律，而plan是预先设置的需要网络学习的特定旋律的名字。
Todd的循环结构
Todd的这个模型影响深远，甚至可以看作是conditionalnetwork结构的先驱。
Todd后续还陆续提及了一些想法，希望得到解决，他们包括：
音乐的分层结构（structureandhierarchy）。这个问题至今没能得到完美的解决。2019年GoogleMagenta的MusicVAE试图在这个问题上有所突破，这也是我研究的课题之一。
MusicVAE
多时钟结构。这个问题后面被ClockworkRNN和SampleRNN等模型尝试解决。
ClockRNN
第二个提到的人是Lewis，他提出了基于refinement的方法（CreationbyRefinement,CBR），提出通过梯度下降的方式训练模型。Lewis人工构建了正确的和没那么正确的旋律，通过我们现在熟知的方法进行网络训练。
Lewis的算法可以是看作最大化一些目标属性，以控制生成模型的各类方法的前身。现代的诸多算法都使用了类似的机制，如DeepHear最大化与给定目标的相似度，DeepDream最大限度地激活特定单元，等等。
Lewis的模型
有意思的是，这个网络使用梯度下降和反向传播机制进行训练，而且是在1988年。
此外，Lewis颇有创意地提出了一种attention机制和一种hierarchy方法。这个方法简单来说，有点类似于一类形式语法规则，如ABC变为AxByC，在不改变现有token的情况下，使用attention地方式选择位置，然后进行拓展。
与综述一样，我们从下面五个方向展开介绍：
目标。即我们要生成什么，是旋律，伴奏，还是和弦？要生成的是乐谱还是音频？是单声部的还是多声部的？在各个小领域中这些问题都有不同的人在努力研究。如GusXia老师就致力于研究人机交互的自动伴奏方法。表示。即如何表示音乐。对于原始音乐的表示包括五线谱、midimessage、Piano-roll等，而音乐的高层表示也有很多，比如GTTM表示法。模型结构。这个模型是RNN模型、VAE模型、GAN模型，还是多种模型的组合、改进、变化？要求。即对生成结果的质量评估，如流畅性、创造性、一致性等。策略。如逐步迭代、encoder-decoder方法等不一样的生成方式。要注意上面五个方法并不是正交的。
首先来聊聊音乐的表示法。音乐主要以两种形式表示：audio和symbolic。所以前几年相关的基础研究，有的会说自己是“symbolicdomainmusicgeneration”，最近见得少了。
audio。audio主要有：信号波，频谱（通过FFT得到）。这两种表示都很常见，尤其是在做tranion这类相关任务时。symbolic。主要包括midi文件里的midimessage，piano-roll，文本格式。piano-roll的一个结构图如下图所示：而文本格式中最被广泛使用的为ABCnotation。现在还有活跃的社区在收集ABC标注的数据集：
也有相关的网站提供了ABC格式在线渲染乐谱的demo，有兴趣的话可以访问这个网站，体验一下ABCnotation和乐谱的对应关系：
在一些格式中，模型会遇到编码问题。比如说音高pitch，既可以用一个实数表示，也可以用一个one-hot向量表示，甚至可以通过二进制来表示。目前one-hot是最为广泛的采用方法。
下面，我们来认识一些基本的模型。这些模型包括：
前馈网络RNN循环结构，包括递归的循环和采样策略。将采样策略应用上时，可以使得生成的音乐有更多的不确定性。RNN模型中，每一步输出的音高由softmax决定，而softmax本身是一个概率函数，采样策略用它来取得不确定的输出。之后是一些复合架构。复合的方法可以分为下面几种：
组合。将现有的结构堆叠在一起，如Bi-LSTM，RBM-RNN，C-RNN-GAN，MusicVAE等模型。C-RNN-GAN的结构
细化。即对结构做出约束，添加人为的inductivebias，使得模型有所偏向和专门化。如VAE中，对latentZ做额外的约束，使得Z满足高斯分布和一些特定的条件，从而隐式引导模型往需要的方向学习。嵌套。嵌套一个模型到另外一个架构中，成为一个子单元。MusicVAE同样也采用了这种做法。模式（Pattern）。即引入一个外部的pattern到模型中，使模型能够处理pattern层面的信息。下图是流行模型的分类归属：
我们再讨论一些改进的架构。
VAE。VAE是现在音乐生成模型中最流行的架构之一。基础的VAE和嵌套的VAE结构如下图：
有工作试图将latentZ解耦，利用多个encoder和decoder进行表征学习的工作，如ISMIR2019的音色分离模型：
事实上得到latentZ之后，可以通过多种方法对Z进行decoding，得到音乐。比如说sample一个符合原分布的向量，再交给Decoder进行VAE的解码工作。当然，插值等方法也是可以使用的。
目前一个研究热点问题是对VAE中的latentZ进行解释、分离，以达到表示学习的目的。如ISMIR2019上一篇音乐节奏风格迁移的文章，就是将latentZ的不同部分分别约束，强制latentvector包含特定的含义。
简单的说了一下VAE之后我们再讨论GAN模型。GAN模型近年来远没有VAE模型多见，而更多地用作弱监督环境下提升质量的方法。前几年的MidiNet就是GAN模型：
MidiNet
正如我之前提到的，对网络的中间变量进行采样，然后对生成的结果做迭代的细化，也是生成的一个策略。DeepBach采用了类似的策略：
在实际使用中，DeepBach可以指定重新生成音乐的任意部分，无需重新生成整个内容：
无独有偶，BachDoodle的原文CocoNet，也采用了相似的方法。网络通过反复擦除不同地方的结果，让网络进行补完，之后采样，再补完，迭代地细化结果：
最后闲聊一些别的。
音乐生成领域非常广阔，从计算机音乐顶会ISMIR每年CfP时的说明就可以看出来，有很多值得研究的主题。
在这些主题中，纯粹的音乐生成其实并不是最热门的方向。在音乐信息检索、音乐转录、哼唱识别、音乐学研究等领域，也有无数学者孜孜不倦地努力着。
此外，计算机音乐也与NLP、数据挖掘等领域紧密相关。KDD、ICML等会议都曾出现过相关论文和workshop。
部分截图
欧洲比较著名的研究机构，包括QueenMary的C4DM，规模和整体科研实力都是在欧洲数一数二的：
法国的IRCAM：
西班牙的UPF-MTG：
北美斯坦福的CCRMA：
纽约大学的MARL：
麦吉尔大学的CIRMMT：
亚洲新加坡国立大学：
日本京都大学：
遗憾的是，我们国家在计算机音乐领域还远没有发展起来。
近年来我们成立了自己的社区，有了自己的会议：
与我比较熟的同行们，主要来自下面的实验室：
北京大学陈晓鸥老师的数字音频研究所：
复旦大学李伟老师的实验室：
北京邮电大学李圣辰老师的实验室：
上海纽约大学夏光宇老师的实验室：
至于工业界，主要是腾讯的QQ音乐：
以及字节跳动的抖音：
可以明显地感觉到，国内和国外，不管是工业界还是学术界，都有着数量上的明显差距。国内的计算机音乐方兴未艾，这对所有从业者来说，既是挑战，也是机会。
“品玩知科技”系知乎科技和PingWest品玩联合出品的精品栏目，知乎科技是知乎科技数码领域的官方机构号。针对科技热点新闻和好玩儿的数码体验，第一时间为用户带来可信赖的解读。返回搜狐，查看更多
人工智能作曲算艺术吗 最快23秒创作一首歌，AI创作引发音乐行业热议
教育部办公厅日前公布首批共439个虚拟教研室建设试点名单，其中，中央音乐学院的音乐人工智能虚拟教研室被列入试点名单。而今年7月，中央音乐学院培养的首批音乐人工智能博士就要毕业了。资料图世界人工智能大会AI作曲（图文无关）演出市场这几年的新作品，不乏人工智能的身影——2019年深圳交响乐团上演了全球首部AI交响变奏曲《我和我的祖国》；全球首部人工智能生成的古琴曲《烛》也在2021年底完成首演。2021年举办的世界音乐人工智能大会、全球人工智能技术大会、2021中国音乐科技应用论坛等各种活动上，音乐人工智能也成为被提及最多、讨论最热烈的话题之一。AI（人工智能的英文缩写）正变得越来越聪明，音乐创作也是如此吗？惊喜：AI作曲如“开盲盒”观众震惊“贝多芬复活”中央音乐学院是我国最早开展音乐与科技交叉研究的艺术院校：1993年成立了电子音乐中心，2012年成立音乐科技部，2018年组建音乐人工智能与音乐信息科技学科方向和实体系。成立于2019年的中央音乐学院音乐人工智能虚拟教研室，汇聚了一大批中国最优秀的音乐家及音乐人工智能专家，包括：中央音乐学院院长俞峰，中国工程院院士、中国人工智能学会理事长戴琼海，中国科学院院士、西安交通大学电子与信息学部主任管晓宏，中央音乐学院音乐人工智能与音乐信息科技系主任李小兵等。这几年，AI作曲的发展，进步神速。中央音乐学院开发的AI自动作曲系统，是通过人工智能算法进行作曲、编曲、歌唱、混音，并最终生成完整歌曲作品的系统。李小兵介绍，智能作曲能够在23秒快速创作出一首歌曲，可以达到一般作曲家写作水平，“23秒的时间，配器、演唱都可以出来，在全世界都比较前沿。”事实上，在古典音乐界，AI作曲已经不止一次带给观众震撼。去年底，贝多芬管弦乐团在波恩首演人工智能谱写完成的贝多芬未完成之作《第十交响曲》，许多观众用“震撼”“贝多芬复活”形容现场感受，“不确定哪些是贝多芬，哪些是人工智能添加的”是很多人的共识。更早之前的2019年，深圳交响乐团在国家大剧院上演了全球首部AI交响变奏曲《我和我的祖国》，知名乐评人王纪宴评价这部作品：“乐曲开始的引子清新而自然，并无违背听觉习惯的声音，变奏所体现的交响手法，有着令人耳目一新的新奇转调和配器。”李小兵则用“开盲盒”来形容人工智能作曲，“音乐人工智能创作的东西有些与人类相同，有些却不太一样，甚至有时让人瞠目结舌。”争议：机器创造出来的音乐，称得上艺术吗？AI作曲的兴起从来都伴随着争议。对于AI作曲，很多保守的音乐从业者和爱好者批判的重点是其对真实性和艺术纯粹性的破坏：如果一台机器能做到，那真的是音乐吗？如果音乐是由机器创造出来，还能称得上艺术吗？事实上，一部AI音乐作品问世，从来都不只是机器的事情，目前AI扮演的更多是辅助者角色。去年12月24日，香港演艺学院古琴专业教师、中国首位古琴演奏专业博士生王悠荻在中央音乐学院举办古琴博士毕业音乐会，上演了世界上第一首由人工智能生成的古琴曲《烛》。这部作品由王悠荻与中央音乐学院音乐人工智能与音乐信息科技系魏冰博士共同领衔的“AI释谱——基于人工智能技术的古琴减字谱数字化平台”项目组完成。唐代曹柔发明的减字谱是古琴特有的记谱方式，打谱就是把减字谱转化成可演奏的古琴音乐并记录下来的过程。在这个项目中，AI完成了打谱的重要工作，王悠荻介绍：“打谱耗时耗力，‘小曲打三月，大曲打三年’，这是大量现存古琴古曲未被复活的原因之一。”中央音乐学院民乐系赵家珍教授表示：“《烛》总体上是对传统古琴作品的模仿学习，其中也有一些出其不意的‘点’，这些‘点’似有似无，将来发展成什么也未可知，但是无论如何，是对古琴艺术的一次探索。”“AI释谱”项目组技术负责人魏冰直言，AI通过训练，把现有数据生成规律相近的作品，《烛》是一个小小火苗，完成了从0到1，而从1到N是值得研究的下一步，聚焦作品“为什么吸引人，为什么好听”。未来：人总会创作枯竭，AI捕捉灵感激发人创作AI给音乐行业带来的冲击巨大，行业内的共识是，并不是音乐行业有了AI，作曲家就会失业。事实上，AI带来的变革，一直就是解放人类生产力。从更长远的角度来看，AI在推动作曲上更宏大的目标是探索人类的音乐智慧。在魏冰看来，AI给人带来的最大帮助，是如何激发创作者的灵感，“人总会有创作枯竭的时候，AI在捕捉灵感方面能激发人的创作，AI和创作者是并存的，AI越强，创作者也会越强。”相比人，有些优势是AI与生俱来的，比如打破预设。赵家珍教授表示，人在演奏古曲的时候脑子里总有很多预设，但是AI没有这些干扰，反而可以把古曲“理解”得更加精准和透彻，“这是一个寻找传统、回归传统的路径。”AI交响变奏曲《我和我的祖国》曲目团队技术负责人则举了贝多芬的例子——我们一般会认为音乐是感性的，但贝多芬其实是个非常理性的作曲家，他的每一部创作历程自己都有记录，证明这中间其实有些规矩可循，“反过来，通过AI这一工具，我们有没有可能从贝多芬创作的曲子中找出更多规律呢？”当前，中央音乐学院、上海音乐学院、四川音乐学院等高校纷纷开设音乐人工智能专业，力图培养更多相关人才，改变“搞音乐的人不懂科技，搞科技的人不懂音乐”这一现状。今年7月，中央音乐学院首批音乐人工智能博士就要毕业了。魏冰透露：“今年将毕业的音乐人工智能博士就业前景都非常好，成为一些高校和各大互联网公司争抢的对象。”（原标题：人工智能作曲算艺术吗？最快23秒创作一首歌，AI创作引发音乐行业热议）来源：北京晚报记者：徐颢哲流程编辑：u029海量资讯、精准解读，尽在新浪财经APP人工智能：人人都是作曲家
题目有些惊艳，普通人能自己进行音乐创作吗？闲暇时自己写一首歌，再参加某个音乐类节目的比赛等等，由于人工智能的不断成熟，这个愿望即将实现。
▐趋势
让我们先看看科技对音乐发展的贡献之一“卡拉OK”，现在都变成了“KTV”了。在日本的60年代，舞会都由传统乐队进行现场音乐伴奏来为人们的跳舞进行服务，后来歌手也加入到了伴奏的行列，到了60年代末和70年代初，盒式录音磁带出现了，而且还分左右声道，其实就是录制好的伴奏音乐走进了千家万户，传统现场演出的乐队逐渐被录音机等一些音响设备给取代了，到70年代录像机出现了，在音乐伴奏的基础上又出现了画面来诠释音乐的意境，后来又出现了影碟机、mp3等数码设备，从广场式的卡拉ok到“KTV”包房的个性化娱乐，让普通人都能像歌星一样有机会在众人面前一展歌喉，极大的推动了音乐和其相关产业的发展。
进入网络时代，音乐与网络技术和多媒体技术结合后，以前的录音磁带、唱片甚至影碟机等设备都统统被淘汰了，音乐的制作、传播、音乐资料的共享等等创造了音乐生态的升级和优化，从音乐产品集群到音乐大数据，再到开放生态，目标就是越来越符合音乐消费者心理的需求，服务更全面更加个性化。
而如今，人工智能发展迅猛，因为利益驱使，很多人工智能巨头公司也都习惯性的研究如何让人工智能创作音乐，例如百度公司已经研究出让人工智能在看到图像，比如徐悲鸿的《奔马图》后，通过分析和理解再用音乐的表现形式即做出一首乐曲来阐释这部作品，非常神奇，而国外一些AI音乐作品已经达到“大师级”，甚至到了“以假乱真”的地步。
这是因为，音乐虽然是一门艺术，却有很强的可计算性，音乐模式背后蕴含着数学之美。常规的作曲技法，都可以被描述为单一或组合的算法。这从本质上决定了，人工智能技术完全可以地应用到音乐创作上，并且根据音乐动机不同能创作出不同风格的乐曲。
要更加深层次的挖掘人们内心对音乐的需求程度。
作为听众的你，是没法选择让歌手唱什么歌，只能选择听还是不听而已，但是如果每个人都能自己作曲、作词，写歌呢？甚至让机器人或者自己来演唱，还可以参加比赛，解决了作曲的技术问题，音乐创作的未来发展又将是井喷式的爆发，同时还会带动一系列的相关产业发展。
▐自动作曲软件
怎么实现非专业人士作曲的梦想呢？
自动作曲软件的应用，可以把你的心情或主观感受输入进去，作曲软件本身也是一个音乐数据库，它就会根据你的要求形成音乐动机并自动构思进行音乐旋律的创作，属于你个人的原创音乐就出现了。如同翻译软件一样，外国人说外语通过中文翻译软件能把他说的话翻译成中文，只要在把音乐大数据和人的情感和主观感受之间找到匹配的如同翻译的手段即可。
例如前面举的百度人工智能作曲的例子，人工智能通过算法组合来模拟人脑的创作模式，进行例如情感建模和文化因素的建模，可以进行情感计算，近年来都取得了重大突破，包括音乐情感识别、情感驱动的音乐检索、情感音乐图和音乐纹理技术结合的自动作曲等技术，这些也得益于认知科学、神经科学、心理科学以及相关技术的飞速发展，这种学科交叉有望能够揭示艺术创作的神秘法则。
▐人机互动
怎样能使人工智能的作曲软件能理解普通人的心境和主观感受并即时创作出乐曲呢？
可以设想几种方式，比如选择文字的形式，把自己的心情写成一段话或一篇文章，然后输入到软件系统里，让机器人分析和计算出相应的音乐元素进行谱曲创作，然后用合适的音色演奏出来，而人类也可根据这个旋律配上歌词，唱给自己听或者参加比赛等等。
还可以将人工智能与人体的神经网络进行连接，比如可穿戴设备，让人工智能感受到人体内血压、肾上腺素、心跳等身体各部位的即时反应并与相关的音乐元素进行匹配，按照乐曲的创作规则和技法进行创作，完成创作的技术过程，但本质上还是人的主观感受的表现，是人一颗本心的呈现。
总结一下。
当音乐与最新最时尚的科技结合在一起，让传播技术和手段不断进步，创新商业模式，即可显示出其巨大的经济价值和产业价值。
普通人音乐梦想的实现更加多元化了，从而能更加深入的了解我们自己，为进一步解开人类本身的复杂性存在提供答案。
人工智能：作曲we can do it！
0分享至人工智能可以作曲吗？理论上是否可行？哪种程度上可以代替人类？本期品玩知科技，邀请了知乎答主@谢圜来讲述人工智能与音乐的那些事：
计算机音乐领域，是一个广阔的领域。
其主要的研究方向包括音乐识别、音乐信息处理、音乐旋律与节奏分析、音频音乐检索、音频数据挖掘与推荐、音乐情感计算、音乐结构分析、算法作曲、自动编曲、说话人识别、语音增强、音频信息安全等。
2017年，英伟达公司发布了AIVA人工智能作曲模型，随后迅速得到商用，广泛用于网络视频的自动配乐。也正是这时候，音乐人工智能领域进入深度学习时代，深度学习算法成为本领域在国际工业界中的核心技术，被索尼、Spotify、苹果等公司使用在其音乐产品上；字节跳动招募了大量相关人才，研发了火山小视频和抖音应用的音乐推荐、音乐搜索算法，得到广泛使用；腾讯音乐部门将音乐信息检索的算法应用在社交互动领域，使得用户获得了更好的音乐社交体验。
其中最引人注目的topic，就是自动作曲。随着这波深度学习大潮，自动作曲技术也取得了很大的进展。
音乐生成的起源
早期，莫扎特曾经创作过一首《骰子音乐》，通过丢骰子的方法自动选择小节组合：组合出来的完整音乐仍然悦耳，但是创作的过程带有一定的随机性。
一个在线的demo：MozartDiceGamemozart.vician.cz
1950年代，第一批计算机发明后，出现了第一批计算机音乐。最早的音乐构建了一个马尔科夫过程，使用随机模型进行生成，辅以rule-based的方法挑选符合要求的结果。
当然这类方法生成的音乐质量不高。随着机器学习的发展，算法应该从音乐材料中自动地学习出一些规律，得到自然的音乐。
两种音乐生成
人类大致有两种方法参与自动音乐生成：
自动生成。基于各种技术进行全自动音乐生成，而人类仅指定风格参数。如NVIDIA的AIVA就是一个典型的例子。辅助作曲。FlowConmposer是一个典型的例子。这里算法为人类的作曲做出建议和补充，进行共同作曲。目前大部分的算法都属于第一类方法。第二种方法在很多情况下是第一种方法的组合和变体。
一个例子
2019年3月21日，GoogleMagenta组贡献了一个交互式算法demo，称为BachDoodle，通过学习J.S.Bach的四重奏，算法可以由用户指定第一声部，然后自动计算给出剩余的三个声部。
（虽然很难听，但是Magenta在computermusic领域黑不动）
BachDoodle
我们以这个算法的雏形和前身“MiniBach”算法开始。
Tospecifytheproblem,我们形式化决定算法仅生成四个小节的音乐。
如何将音乐转换为符号表示，其实有很多种方法。被公认的主流方法之一是piano-roll及其变体。midi可以表示128个不同的音高，将129指定为rest，130指定为sustain（持续），则音乐可以用一个130*N的矩阵表示。N取决于分辨率和音乐实际长度。主流设置是将16分音符作为最小的分辨率，那么一个4/4拍的两小节音乐可以被表示为130*32的矩阵。
pianoroll的起源是匀速运动的打孔纸带
然而minibach作为早期模型，没有采用成熟的表示法，而是将21个音高*16个step*4个小节=1344，一共1344个node，使用了一个多分类器进行学习：
minibach音乐人工智能的先驱者们
下面直接进入神经网络相关的模型：一波星星之火随着深度学习的浪潮而兴起。
首先是Todd的时间窗口-条件循环结构。
Todd的目标是以迭代的方式产生单音旋律（monophoicmelody）。他的第一个设计是time-window结构，通过滑窗的方法，逐段地反复地进行旋律生成，上一段的输出作为下一段的输入。这是一个非常直接且朴素的想法。注意，这个idea是在1989年产生的，距离LSTM的正式诞生还有26年。
Todd的TimeWindows结构
他还设计了Sequential结构，输入层分为两部分，分别是context和plan。context是生成的历史旋律，而plan是预先设置的需要网络学习的特定旋律的名字。
Todd的循环结构
Todd的这个模型影响深远，甚至可以看作是conditionalnetwork结构的先驱。
Todd后续还陆续提及了一些想法，希望得到解决，他们包括：
音乐的分层结构（structureandhierarchy）。这个问题至今没能得到完美的解决。2019年GoogleMagenta的MusicVAE试图在这个问题上有所突破，这也是我研究的课题之一。
MusicVAE
多时钟结构。这个问题后面被ClockworkRNN和SampleRNN等模型尝试解决。
ClockRNN
第二个提到的人是Lewis，他提出了基于refinement的方法（CreationbyRefinement,CBR），提出通过梯度下降的方式训练模型。Lewis人工构建了正确的和没那么正确的旋律，通过我们现在熟知的方法进行网络训练。
Lewis的算法可以是看作最大化一些目标属性，以控制生成模型的各类方法的前身。现代的诸多算法都使用了类似的机制，如DeepHear最大化与给定目标的相似度，DeepDream最大限度地激活特定单元，等等。
Lewis的模型
有意思的是，这个网络使用梯度下降和反向传播机制进行训练，而且是在1988年。
此外，Lewis颇有创意地提出了一种attention机制和一种hierarchy方法。这个方法简单来说，有点类似于一类形式语法规则，如ABC变为AxByC，在不改变现有token的情况下，使用attention地方式选择位置，然后进行拓展。
与综述一样，我们从下面五个方向展开介绍：
目标。即我们要生成什么，是旋律，伴奏，还是和弦？要生成的是乐谱还是音频？是单声部的还是多声部的？在各个小领域中这些问题都有不同的人在努力研究。如GusXia老师就致力于研究人机交互的自动伴奏方法。表示。即如何表示音乐。对于原始音乐的表示包括五线谱、midimessage、Piano-roll等，而音乐的高层表示也有很多，比如GTTM表示法。模型结构。这个模型是RNN模型、VAE模型、GAN模型，还是多种模型的组合、改进、变化？要求。即对生成结果的质量评估，如流畅性、创造性、一致性等。策略。如逐步迭代、encoder-decoder方法等不一样的生成方式。要注意上面五个方法并不是正交的。
首先来聊聊音乐的表示法。音乐主要以两种形式表示：audio和symbolic。所以前几年相关的基础研究，有的会说自己是“symbolicdomainmusicgeneration”，最近见得少了。
audio。audio主要有：信号波，频谱（通过FFT得到）。这两种表示都很常见，尤其是在做transcription这类相关任务时。symbolic。主要包括midi文件里的midimessage，piano-roll，文本格式。piano-roll的一个结构图如下图所示：而文本格式中最被广泛使用的为ABCnotation。现在还有活跃的社区在收集ABC标注的数据集：http://abcnotation.com/
也有相关的网站提供了ABC格式在线渲染乐谱的demo，有兴趣的话可以访问这个网站，体验一下ABCnotation和乐谱的对应关系：https://ldzhangyx.github.io/abc/
在一些格式中，模型会遇到编码问题。比如说音高pitch，既可以用一个实数表示，也可以用一个one-hot向量表示，甚至可以通过二进制来表示。目前one-hot是最为广泛的采用方法。
下面，我们来认识一些基本的模型。这些模型包括：
前馈网络RNN循环结构，包括递归的循环和采样策略。将采样策略应用上时，可以使得生成的音乐有更多的不确定性。RNN模型中，每一步输出的音高由softmax决定，而softmax本身是一个概率函数，采样策略用它来取得不确定的输出。之后是一些复合架构。复合的方法可以分为下面几种：
组合。将现有的结构堆叠在一起，如Bi-LSTM，RBM-RNN，C-RNN-GAN，MusicVAE等模型。C-RNN-GAN的结构
细化。即对结构做出约束，添加人为的inductivebias，使得模型有所偏向和专门化。如VAE中，对latentZ做额外的约束，使得Z满足高斯分布和一些特定的条件，从而隐式引导模型往需要的方向学习。嵌套。嵌套一个模型到另外一个架构中，成为一个子单元。MusicVAE同样也采用了这种做法。模式（Pattern）。即引入一个外部的pattern到模型中，使模型能够处理pattern层面的信息。下图是流行模型的分类归属：
我们再讨论一些改进的架构。
VAE。VAE是现在音乐生成模型中最流行的架构之一。基础的VAE和嵌套的VAE结构如下图：
有工作试图将latentZ解耦，利用多个encoder和decoder进行表征学习的工作，如ISMIR2019的音色分离模型：
事实上得到latentZ之后，可以通过多种方法对Z进行decoding，得到音乐。比如说sample一个符合原分布的向量，再交给Decoder进行VAE的解码工作。当然，插值等方法也是可以使用的。
目前一个研究热点问题是对VAE中的latentZ进行解释、分离，以达到表示学习的目的。如ISMIR2019上一篇音乐节奏风格迁移的文章，就是将latentZ的不同部分分别约束，强制latentvector包含特定的含义。
简单的说了一下VAE之后我们再讨论GAN模型。GAN模型近年来远没有VAE模型多见，而更多地用作弱监督环境下提升质量的方法。前几年的MidiNet就是GAN模型：
MidiNet
正如我之前提到的，对网络的中间变量进行采样，然后对生成的结果做迭代的细化，也是生成的一个策略。DeepBach采用了类似的策略：
在实际使用中，DeepBach可以指定重新生成音乐的任意部分，无需重新生成整个内容：
无独有偶，BachDoodle的原文CocoNet，也采用了相似的方法。网络通过反复擦除不同地方的结果，让网络进行补完，之后采样，再补完，迭代地细化结果：
最后闲聊一些别的。
音乐生成领域非常广阔，从计算机音乐顶会ISMIR每年CfP时的说明就可以看出来，有很多值得研究的主题。
在这些主题中，纯粹的音乐生成其实并不是最热门的方向。在音乐信息检索、音乐转录、哼唱识别、音乐学研究等领域，也有无数学者孜孜不倦地努力着。
此外，计算机音乐也与NLP、数据挖掘等领域紧密相关。KDD、ICML等会议都曾出现过相关论文和workshop。
部分截图
欧洲比较著名的研究机构，包括QueenMary的C4DM，规模和整体科研实力都是在欧洲数一数二的：
法国的IRCAM：
西班牙的UPF-MTG：
北美斯坦福的CCRMA：
纽约大学的MARL：
麦吉尔大学的CIRMMT：
亚洲新加坡国立大学：
日本京都大学：
遗憾的是，我们国家在计算机音乐领域还远没有发展起来。
近年来我们成立了自己的社区，有了自己的会议：
与我比较熟的同行们，主要来自下面的实验室：
北京大学陈晓鸥老师的数字音频研究所：
复旦大学李伟老师的实验室：
北京邮电大学李圣辰老师的实验室：
上海纽约大学夏光宇老师的实验室：
至于工业界，主要是腾讯的QQ音乐：
以及字节跳动的抖音：
可以明显地感觉到，国内和国外，不管是工业界还是学术界，都有着数量上的明显差距。国内的计算机音乐方兴未艾，这对所有从业者来说，既是挑战，也是机会。
“品玩知科技”系知乎科技和PingWest品玩联合出品的精品栏目，知乎科技是知乎科技数码领域的官方机构号。针对科技热点新闻和好玩儿的数码体验，第一时间为用户带来可信赖的解读。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端十款最佳人工智能软件
市场上逐渐将人工智能软件用于程序，编程和其他目的的计算机化已变得普遍。基于AI的平台具有丰富的机器计算和学习能力，可实现业务流程的自动化。自动化可以节省大量时间和精力。这是十大最佳人工智能软件的列表。
自动化使组织能够更高效，更有利地执行工作。
此外，自动化可以帮助个人更新其技能和能力。您将要使用商业智能软件来促进公司的运营。
最佳人工智能软件1.DeepVisionDeepVision专为个人面部分析而设计，是针对安全性，安全性和商业智能的完美AI解决方案。该软件可有效监视指定区域，以根据年龄，性别和其他详细信息随时间推移识别人员。
它使用面部人口统计模型来了解目标区域内随时间变化的人口统计变化，或用于跟踪客户模式。此外，它还帮助广告商和品牌与目标受众建立联系，以进行产品展示和广告宣传。该模型的创建是通过面部匹配来跟踪个人，以量化访客的访问频率，并帮助零售商立即找到潜在的顾客。
主要特点
它可以使用支持AI的技术识别视频或图像中的个人面孔。该软件可以通过执行面部匹配来检测目标对象的位置。它具有面部识别和检测功能。该软件只需查看人的图像即可立即识别人的脸。凭借其面部人口统计功能，它可以估计人们的性别和年龄。2.Braina它是少数支持多种语言的顶级AI软件之一。Braina也可以用作虚拟语音识别软件。借助于此，可以轻松快捷地将软件语音转换为文本。这个以生产力为中心的商业智能平台支持100多种语言。
主要特点
Braina中集成的工具和功能使用户可以快速完成工作。它与多语言虚拟助手集成在一起。该软件为用户提供了完美的成绩单。另外，它还可以读回非英语文本，以便于用户理解。其无可挑剔的语音命令使用户可以使用自己的语音搜索，播放/暂停/停止媒体。使用此软件，用户可以在不费力的情况下调整窗口大小，打开网站，文件夹和文件并执行其他任务。3.GoogleCloudMachineLearningEngine
无论您是希望开展新业务还是计划对现有业务进行数字化转型，GoogleAI技术和云解决方案都将帮助您取得令人难以置信的成功。GoogleCloudMachineLearningEngine是用于训练，调整和分析模型的理想解决方案。它带有ComputeEngine，CloudSDK，CloudStorage和CloudSQL。
该软件还提供了安全耐用的对象存储的好处。其库和命令行工具允许用户利用GoogleCloud。此外，还有用于SQLServer，MySQL和PostgreSQL的关系数据库。
主要特点GoogleCloudMLEngine通过预测和监视这些预测使用户受益。用户可以管理其模型及其多个版本。该解决方案的各个组成部分包括g-cloud，它是用于管理版本和模型的命令行工具。RESTAPI，旨在帮助用户进行在线预测；和GoogleCloudPlatformConsole（用于部署和管理模型的UI界面）。4.Engati使用Engati，用户可以轻松创建规模和复杂程度不同的聊天机器人。它带有150多个模板，因此个人可以快速开始使用聊天机器人。另外，该软件还包括高级“对话流”构建器，高端集成功能以及用于在网站或任何可用渠道上部署漫游器的功能。
该平台使聊天机器人的构建比以往更加轻松。有专门设计用于部署，构建，分析和训练机器人的部分。此外，使用该软件广播的聊天机器人用户信息，门户网站用户，实时聊天和广告系列将使您受益匪浅。
主要特点
使用此软件创建具有成本效益的聊天机器人，并轻松简化客户支持。当聊天代理不在线时，它提供了自动答复的好处。该软件具有自动营销和销售功能。使用此工具，您可以构建聊天机器人，该聊天机器人可以作为交互式，即时的方式让客户获取您的品牌详细信息。通过减轻筛选过程，它也可以减轻人事经理的工作。该软件能够实时对潜在员工进行背景调查。智能聊天机器人可帮助自动解决客户请求。5.Azure机器学习工作室
Azure机器学习Studio是出色的交互式编程软件之一，最适合创建可用于预测分析的商业智能系统。它是用户用来将对象移动到界面的高级工具。
使用此软件，您将有机会探索在云上构建创新的，基于AI的应用程序的新技术。Azure还提供了创新工具，人工智能服务和可扩展基础架构的优势。此外，您还将获得构建智能解决方案所需的资源。
主要特点AzureMachineLearningStudio充当专业人员的交互式工作区。您可以借助从不同来源收集的数据来构建预测分析模型。它是一个交互式平台，可使用数据操作和统计功能来转换和分析数据。您可以轻松确定结果。将分析模块或数据集拖放到界面上，以链接和修改参数和功能，以设计能够在MLStudio中运行的合格且受过训练的模型。借助该软件，您可以通过编写R脚本来准备数据。6.TensorFlowTensorFlow是广受欢迎的开源软件，对于寻求高级数值计算工具的专业人员而言，它是一个完美的解决方案。它具有灵活的架构，可跨多个平台（包括TPU，CPU和GPU）进行计算部署。另外，它可以部署在台式机，服务器，移动设备和其他设备上。
这是Google的AI工程师和研究人员团队的创意。TensorFlow能够进行深度学习和机器学习。而且，它对可在多个科学领域中使用的核心数学表达式提供了强大的支持。
它的一些核心组件包括自然语言处理，决策，聊天机器人，图像识别，数据摄取，多语言，视觉搜索，语音识别，虚拟助手，机器学习和工作流自动化。
主要特点与多维数组有关的数值计算的理想选择为有关机器学习和神经网络的概念提供出色的支持使用CPU和GPU计算的用户受益，而两者需要一个代码用于数据集和各种机器的高度可扩展的计算7.Cortana
像GoogleNow和Siri一样，Cortana是一个智能的个人助理，可以帮助用户启动应用程序，安排约会以及许多其他虚拟任务。它还能够调整设备设置，例如将Wi-Fi切换为关闭和打开模式。该工具还可以回答您的查询，设置提醒，开灯，在线订购比萨等。
主要特点它在Bing搜索引擎上运行。它与XboxOS，iOS，Windows和Android兼容。该平台支持多种语言，包括日语，英语，法语，葡萄牙语，意大利语，德语，西班牙语和中文。使用其语音输入功能，您可以管理和安排会议/重要任务，查找定义，事实等。该工具甚至可以通过语音命令打开系统上的应用程序。8.IBM沃森这是一个基于AI的计算机系统，旨在回答用户的问题。IBMWatson与认知计算集成在一起-包括推理，机器学习，自然语言处理，人工智能等技术的融合。该工具以IBM首任首席执行官ThomasJ.Watson爵士的名字命名，可将人工智能集成到各种业务流程中。它有助于提高组织的生产率和效率，从而可以获得更好的结果。
通常，业务数据采用非结构化的形式，例如语音数据，段落等。借助IBMWatson，专业人员可以系统地整理和组织非结构化数据，以生成所需的信息。IBMWatson的处理速度约为80teraflops，是人类回答问题能力的两倍。
主要特点使用此工具，您将完全控制基本任务。它可以通过保护IP地址，维护数据所有权和保护数据洞察力来处理所有这一切。该软件经过培训，可以重新构想用户的工作流程，而不管他们的工作领域如何。它是运输，医疗保健，金融，教育（包括其他领域）的理想选择。它对几乎所有行业和企业都有深入的了解。该软件可以帮助您做出更快更好的决策。IBM甚至重视数据的最小单位。如果您的数据量很小，则可以分析并确定可能的结果。无需集成任何其他工具，它就可以使用大量数据。通过使用它，您可以轻松地从多个来源访问所需的数据。9.InfosysNia
InfosysNia是一款高度评价的商业智能软件，可以从旧版系统，人员和流程中收集信息。它将数据聚合到一个知识库中，并自动执行IT流程和业务任务。该软件旨在减少人工工作，并找到需要想象力，创造力和激情的客户问题的解决方案。
用户可以利用该平台来获得深入的见解，增强的知识以及探索机会，以简化，优化和自动化复杂的组织流程。
主要特点它有助于增强流程和系统，以增强组织及其员工的能力。它包括一个高级的对话UI。该工具具有用于编程和重复任务的自动化功能。它是结合认知自动化，RPA和预测自动化的自动化平台之一。它可以捕获，处理和重用知识，以更好地开展业务。该平台还能够为用户提供数据分析。它也可以用作机器学习工具。10.Playment它是一个数据标记平台，可以为机器人模型大规模生成训练数据。Playment增强了处理无人机，制图，自动驾驶和类似空间的业务。
该工具已由CYNGN，DriveAI和StarskyRobotics等多家知名研究机构和组织选择。
主要特点支付具有AI和人类智能的独特组合。它可用于映射输出质量。它是一种高质量的工具，能够以100％的准确性组织多个类别的图像。该平台与竞争对手分析和产品比较功能集成在一起。企业使用它来使用户意识到可以带来良好结果的事物以及可能被证明对他们的业务致命的事物。该工具附带一个图像注释套件，允许用户构建对计算机视觉技术有用的数据集。结论这些是当前可用的顶级人工智能软件。该软件非常方便，可以从头开始构建和开发智能应用程序。这些工具具有AI和机器学习的强大组合，个人可以用来改善和简化他们的业务流程。
简而言之，可以说人工智能（AI）已变成商业软件的主要元素。如今，机器学习和AI学习能力经常安装在软件应用程序中，以为客户提供无与伦比的预测和自动化功能等功能。