人工智能作曲發展的現狀探討

毛 康 林 勇

(韓國全北國立大學，江蘇 淮安 223000)

近年來，隨著人工智能的發展，其在音樂等諸多領域都得到了廣泛應用，在音樂界掀起一股“AI”潮流，受到了越來越多社會大眾的關注，同時也成為了許多音樂宣傳中重點宣傳的一種時髦元素。AI技術在音樂作曲中的應用，可以進一步推動音樂產業的商業化進程，在節省人力成本的基礎上，可以提升音樂創作效率，增加音樂效果的新奇特征。可以預見，在“互聯網+”時代背景下，人工智能作曲系統融入藝術表演和教育都能夠領域是必然的發展趨勢。

一、人工智能作曲發展的意義

在人工智能技術快速發展的背景下，人工智能技術在醫療、教育、娛樂等眾多領域都得到了廣泛推廣和應用，同時社會大眾對于人工智能的需求也呈現出不斷增加的變化趨勢。可以說，人工智能是未來人類需要重點發展的一個具有戰略性意義的科學技術。通過將實體經濟和人工智能技術進行有效結合，有助于為社會經濟發展提供一個新路徑。與此同時，快速發展的社會使得大眾對智能產品提出了越來越高的要求，除了具有智能化要求外，還要求它們具備情感特性，即可以對人類的想法、意圖與情感等進行準確識別，力求可以為人類提供更高質量的服務。音樂作為人類表達情感的一個重要形式，相應的音樂情感也是一種無法進行量化處理的人類情感，尤其是伴隨著音樂旋律的改變，相應的情感也會發生豐富變化趨勢。基于人工的技術或方法來使及其對樂音或光學樂譜進行快速識別，配合推理和優化音樂情感模型，可以直接使機器獲得表達人類音樂情感的一種模式，最終可以實現和用戶之間開展音樂協同創作的目標，如可以提供人工智能作曲等相關服務，這對于促進人工智能發展和音樂產業的商業化均具有重要的研究價值和實踐應用價值。

二、人工智能作曲發展的現狀

(一)人工智能作曲的發展歷程

縱觀人工智能作曲發展歷程，可知其最早主要表現為算法作曲，之后才發展到人工智能作曲階段。在上世紀五十年代中期，計算機算法作曲得以誕生，同期也提出了人工智能這個概念，但是由于當時的計算機價格非常昂貴，且運算速率比較慢，操作起來非常復雜，所以在很多年之后算法作曲才開始向人工智能作曲方向轉變。比如，最早的計算機算法作曲主要為《伊利亞克組曲》(Lejaren Hiller，1956年)。然后之后Alpern于1995年開發了EMI作曲系統，其可以以拼接的方式來對那些已經去世的作曲家的作品進行創造。比如，基于該系統的應用，實現了類似莫扎特和巴赫等已故作曲家音樂作品的再現。隨后Georg Boenn等人于2010年開發了Anton作曲系統，采用了答案集編程的方式來進行作曲，這種算法在作曲領域產生了一個相對較大的革新，可以實現對人為作曲錯誤之處的自動識別。自進入到21世紀后，學術界開始高度重視算法作曲，并對其進行了全面而深入地研究，如費爾南德斯于2013年提出算法作曲系統發展可以推動人類音樂作曲進入一個新紀元，這預示著人工智能作曲研究已經步入到了一個全新的階段。而當下國外許多人工智能研究公司開始深入研究人工智能作曲系統，并且由它們所創作的音樂作品甚至可以達到“以假亂真”的地步。比如，《Beyond the Fence》(2016年)這個由算法創作的音樂劇在倫敦上演后受到了很高的評價，隨后同年又誕生了《Daddy’s Car》和《I am AI》等許多人工智能歌曲，且這些人工智能創作作品和人類創作的作品基本保持一致。但是當下我國人工智能創作領域還處于初級探索階段，平安科技、百度等一些公司也都相繼開發出AI作曲系統或者相應的音樂作品，但是這些人工智能作曲的研究成果還無法構成一個系統的體系，相應的人工智能作品的可聽性也有待提高。

(二)人工智能作曲發展中的常用算法

當下人工智能作曲和深度學習之間的融合日益密切，并開始朝向多元化方向發展。當下人工智能作曲中常用的算法主要包括如下幾類：其一，遺傳算法。遺傳算法是一個基于適應性函數來對樣本進行演化的全局優化算法，其中涉及到的變異算子可以對人創作中的靈感閃現情況進行有效地模擬。對于該算法而言，其核心是要科學地設計適應性函數，但是當下國內外就其具體的應用標準還沒有形成一致。比如，Gen Jam系統(Biles，1994年)就是一種采用遺傳算法所構成的即興演奏系統，可以由機器和人實現互演爵士樂的目標。其二，人工神經網絡。人工神經網絡是一種對生物神經的網絡行為特征進行模仿，開展分布式并行信息處理的算法數學模型。當下國內外有許多機遇該種算法所形成的人工智能作曲系統，如LSTM神經網絡(Istituto，2010年)就是基于人工神經網絡鎖形成的一種人工智能作曲系統，可以確保所創作音樂的完整性。其三，馬爾科夫鏈。該算法本著上屬于一種隨機過程，在算法作曲領域擁有廣泛應用空間，最早可以追溯到上世紀九十年代初期。比如，Kohonen在1989年提出了一種基于馬爾科夫鏈所形成的擴展模型，使其所構成的作曲方法得到了有效改善，提高了音樂創作的效果。其四，混合型算法。該種算法就是對許多種不同的算法進行有效結合，最終實現多種不同算法優勢互補，提升整體算法應用效果的目標。當下國內外就隨機過程和其他算法結合方面的內容進行了大量嘗試，如借助遺傳算法與人工神經網絡這兩種算法的結合來提升人工智能作曲創作的效果。

三、人工智能作曲發展的趨勢

(一)側重于多算法組合優化的發展方向

通過上述對當下人工智能作曲發展中涉及到的算法進行分析，可知當下關于人工智能作曲計算的方法種類比較多，它們的優勢與不足具有不同的表現，所以為了更好地促進人工智能作曲發展，就要注意促使智能作曲算法朝著多元化混合算法方向發展。考慮到當下的人工智能作曲背景下所誕生的音樂作品體系與風格較為單一，可聽性也不是很強，所以為了在未來一段時間更好地促進人工智能作曲發展，就必須要側重多算法組合優化方向發展，具體就是在混合應用多種智能作曲算法期間，對各種算法的優勢和不足進行深入分析，力求可以在組合運用它們的過程中有效發揮它們各自的優勢，回避自己的不足之處，這樣可以更好地豐富人工智能作曲的音樂作品體裁和風格，增強其可聽性。

(二)側重于多源音樂情感的識別與優化

近年來，隨著AI技術的發展，其在在音樂作曲中得到了廣泛應用，可以在節省人力成本的基礎上，可以提升音樂創作效率，增加音樂效果的新奇特征，這對于推動我國音樂產業的商業化進程會產生積極影響。但是為了確保AI技術的順利滲透，需要強化其在識別和優化多源音樂情感方面的積極作用。當下流行的人工智能作曲系統整體智能化水平不高，其中大部分智能作曲系統是基于內置MIDI音樂信號來開展機器學習與創作，尤其是其中缺乏人類識別情感的部分以及擬人化的音樂創作思維，進而影響了最終所創作作品的可聽性。比如，機器僅僅通過獲取人機交互系統中表層信息的指令，被動地去執行相應的用戶指令，缺乏情感識別過程。基此，在未來的人工智能作曲發展期間，要注意有效地運用機器聽覺和視覺等多渠道的信息融合來對人類音樂情感的音頻表達體系和鋪面等進行準確識別，再配合深度學習的智能規劃安排來提升整體系統的應用效果，這也勢必會成為人工智能作曲系統在未來構建中至關重要的一個技術基礎。

(三)側重于民族音樂人工智能作曲系統

我國是一個由多民族構成的國家，不同民族在漫長的發展歷程中形成了自身特有的音樂，最終構成了我國豐富的民族音樂資源，這些都可以成為我國發展人工智能作曲系統或者開展機器深度學習的重要音樂素材寶庫。當下國外一些國家在研發人工智能作曲方面表現的異常活躍，研發出許多專門的成果，但是國內相關方面的研究卻非常有限。基此，在我國未來發展人工智能作曲系統的過程中，可以有效地借鑒和運用國外的一些人工智能作曲技術等成果，將其用在分析和創作中國特色民族音樂當中，最終可以構建出一個具有中國特色的民族音樂智能作曲系統，這不僅有助于促進我國人工智能作曲系統發展，同樣有助于對我國傳統的民族音樂進行更好地傳承與發展，一舉多得。

(四)側重于機器人與人工智能作曲結合

在當下信息技術迅猛發展的今天，人工智能這個概念已經不再那么科幻，不再那么神秘，并且已經在音樂領域得到了深入應用。通過將音樂創作和人工智能進行有效結合，可以實現人工智能作曲的目標，這對于推動音樂產業商業化進程具有重要意義。在人工智能作曲發展期間，離不開必要的機器人作為系統應用的重要載體。伴隨著機器人學的迅猛發展，音樂機器人是發展人工智能作曲過程中最佳的載體。在綜合考慮國內外音樂機器人的相關研究成果的基礎上，可以實現情感計算下的音樂機器人智能作曲或者在情感計算技術支撐下的機器人和人的協同演奏，這均是未來一段時間該領域研究的一個重要路徑。如此一來，通過有效地結合機器人和人工智能作曲，可以為人際交互系統注入主動服務模式和情感計算的新方法與新思路，從而可以推動音樂機器人向情感化和智能化方向發展，時期能夠可以在對音樂情感進行識別和感知的同時，主動性去完成協同演奏或者智能作曲等任務，借此來進一步消除機器人與人之間存在的交互障礙，從而可以促進人工智能作曲發展到一個全新的高度。

總之，考慮到當下的人工智能作曲需求不斷增加，有必要對人工智能作曲進行深入研究，但是為了更好地促進人工智能作曲發展，需要立足于當下人工智能作曲發展現狀，需要明確未來的發展方向，具體可以側重于多算法組合優化的發展方向、多源音樂情感的識別與優化、民族音樂人工智能作曲系統、機器人與人工智能作曲結合等方面，確保可以有效地促進人工智能作曲發展，使其在音樂領域更好地發光、發熱。