Стаття

Отримано 11.03.2022

Доопрацьовано 17.07.2022

Прийнято 22.08.2022

Взято з Том 26, № 3, 2022

Сторінки 95 -103

Gavrylenko, О., Dmytruk, J., & Teteruk, А. (2022). Mathematical models and artificial intelligence tools usage for automation of writing musical compositions. The National Transport University Bulletin, 26(3), 95-103. https://doi.org/10.33744/2308-6645-2022-3-53-095-103

Використання математичних моделей та засобів штучного інтелекту для автоматизації написання музичних творів

О. Гавриленко О. Дмитрук А. Тетерук

Задача автоматизації процесу створення музики набула популярності серед дослідників після появи нових форматів представлення музичних даних та розробки програмного забезпечення для аналізу музики, що надали можливість перетворювати аудіоматеріали в набори структурованих даних. Метою даної роботи є вирішення проблеми тривалості згенерованої композиції та підвищення рівня унікальності фрагменту. Для вирішення задачі запропоновано комбінування підходів використання нейронних мереж та ланцюгів Маркова. Перший етап полягає в застосуванні нейронної мережі, що приймає у якості навчальних даних числове представлення референсного аудіофайлу. На другому етапі до результатів генерації першого етапу застосовується підхід ланцюгів Маркова. Для дослідження обрано нейронну мережу LSTM. Стаття стисло описує архітектуру мережі та підхід до формування ланцюга Маркова. За результатами дослідження було визначено точність роботи нейронної мережі на першому етапі та проаналізовано спектрограми композицій, отриманих після першого та другого етапів генерації. Результати підтверджують, що випадковий вибір інтервалів при застосуванні підходу ланцюгів Маркова до виходу нейронної мережі дозволяє збільшити унікальність згенерованого фрагменту мелодії. Відкритим залишається питання накладання обмежень на вибір інтервалів, що дозволять підтримати темп та гармонію вихідного фрагменту.

 

LSTM; ланцюг Маркова; нейронна мережа; генерація музики
  1. Shulei Ji, Jing Luo, Xinyu Yang. A Comprehensive Survey on Deep Music generation: Multi-level Representations, Algorithms, Evaluations, and Future Directions. 2020 [Electronic resource] – https://arxiv.org/pdf/2011.06801.pdf.
  2. Personalized Popular Music Generation Using Imitation and Structure / Shuqi Dai et al. 2021 [Electronic resource] – https://arxiv.org/pdf/2105.04709.pdf.
  3. Symbolic Music Generation with Transformer-GANs / Aashiq Muhamed et al. 2021 [Electronic resource] – https://ojs.aaai.org/index.php/AAAI/article/view/16117.
  4. Hasim Sak, Andrew Senior, Francoise Beaufays. Long Short-Term Memory Recurrent Neural Network Architectures for Large Scale Acoustic Modeling [Electronic resource] – https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/43905.pdf.
  5. F. A. Gers, J. Schmidhuber, and F. Cummins, “Learning to forget: Continual prediction with LSTM,” Neural Computation, vol. 12, no. 10, pp. 2451–2471, 2000.
  6. F. A. Gers, N. N. Schraudolph, and J. Schmidhuber, “Learning precise timing with LSTM recurrent networks,” Journal of Machine Learning Research, vol. 3, pp. 115–143, Mar. 2003.
  7. Kashyrina O.Iu. Analiz yakosti roboty systemy heneruvannia muzyky na osnovi LSTM / Kashyrina O.Iu., Havrylenko O.V.. // Materialy Pershoi Vseukrainskoi naukovo-praktychnoi konferentsii molodykh vchenykh ta studentiv «Inzheneriia prohramnoho zabezpechennia i peredovi informatsiini tekhnolohii» (SoftTech-2021). – 2021. – pp. 28–31. (In Ukrainian)
  8. Ilana Shapiro, Mark Huber. Markov Chains for Computer Music Generation. Journal of Humanistic Mathematics. 2021. Vol. 11, no. 2 [Electronic resource] – https://scholarship.claremont.edu/cgi/viewcontent.cgi?article=1848&context=jhm.

https://doi.org/10.33744/2308-6645-2022-3-53-095-103