一种自动编曲方法及系统技术方案

本申请公开了一种自动编曲方法及系统，该方法包括：步骤S11：确定与初始时刻对应的输入音符，得到当前输入音符；步骤S12：对当前输入音符进行特征提取，得到当前输入音符特征；步骤S13：将当前输入音符特征输入至预先创建的训练模型中，得到训练模型相应输出的音符，得到当前输出音符；步骤S14：将当前输出音符确定为下一时刻对应的输入音符，并将下一时刻确定为当前时刻，然后重新进入步骤S12，直到循环次数达到预设次数阈值，并对每个时刻对应的输出音符进行合并，得到相应的乐曲。本申请大幅提升了乐曲的创作效率，与此同时，也降低了乐曲的创作成本，降低了乐曲创作门槛。

【技术实现步骤摘要】
一种自动编曲方法及系统
本专利技术涉及人工智能
，特别涉及一种自动编曲方法及系统。
技术介绍
编曲作为一种艺术创作，一直以来都是属于门槛很高的艺术创作领域，需由专业的作曲家才能完成。当前，大部分的作曲家需要耗费相当长的时间周期才能完成一首乐曲作品的创作，也即，现有的乐曲创作效率较低，并且创作成本非常高，使得很难满足民众对音乐种类和数量的日益增大的需求。综上所述可以看出，如何提升乐曲创作效率并降低乐曲创作成本是目前有待解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种自动编曲方法及系统，能够大幅提升乐曲创作效率并降低乐曲创作成本。其具体方案如下：一种自动编曲方法，包括：步骤S11：确定与初始时刻对应的输入音符，得到当前输入音符；步骤S12：对当前输入音符进行特征提取，得到当前输入音符特征；步骤S13：将当前输入音符特征输入至预先创建的训练模型中，得到所述训练模型相应输出的音符，得到当前输出音符；步骤S14：将当前输出音符确定为下一时刻对应的输入音符，并将下一时刻确定为当前时刻，然后重新进入步骤S12，直到循环次数达到预设次数阈值，并对每个时刻对应的输出音符进行合并，得到相应的乐曲；其中，所述训练模型的创建过程包括：获取音乐训练样本，提取所述音乐训练样本的时间维度特征信息以及在不同时刻下对应的音符维度特征信息，利用所述时间维度特征信息和所述音符维度特征信息进行模型训练，得到所述训练模型。可选的，任一时刻下对应的音符维度特征信息的提取过程，包括：提取当前时刻下对应的音符的第一音符特征向量、第二音符特征向量、第三音符特征向量、第四音符特征向量以及第五音符特征向量；其中，所述第一音符特征向量为用于对相应音符的音高在MIDI文件中对应的数字值进行记录的向量，所述第二音符特征向量为用于对相应音符在一个八度内的位置进行记录的向量，所述第三音符特征向量为用于对当前时刻下的音符和上一时刻下的音符之间的关系进行记录的向量，所述第四音符特征向量为用于对上一时刻关联关系进行记录的向量，所述第五音符特征向量为用于对节拍进行记录的向量。可选的，所述利用所述时间维度特征信息和所述音符维度特征信息进行模型训练，得到所述训练模型的过程，包括：将所述时间维度特征信息以及所述音符维度特征信息输入到预先设计的神经网络模型中进行模型训练，得到所述训练模型。可选的，所述神经网络模型为预先基于LSTM神经网络设计的模型。可选的，所述利用所述时间维度特征信息和所述音符维度特征信息进行模型训练，得到所述训练模型的过程之后，还包括：利用梯度下降方法对所述训练模型进行更新处理。本专利技术还相应公开了一种自动编曲系统，包括模型创建模块、音符确定模块、特征提取模块、音符获取模块以及乐曲生成模块；其中，所述模型创建模块，用于预先创建训练模型；所述音符确定模块，用于确定与初始时刻对应的输入音符，得到当前输入音符；所述特征提取模块，用于对当前输入音符进行特征提取，得到当前输入音符特征；所述音符获取模块，用于将当前输入音符特征输入至所述训练模型中，得到所述训练模型相应输出的音符，得到当前输出音符；所述乐曲生成模块，用于将当前输出音符确定为下一时刻对应的输入音符，并将下一时刻确定为当前时刻，然后重新启动所述特征提取模块，直到启动次数达到预设次数阈值，并对每个时刻对应的输出音符进行合并，得到相应的乐曲；其中，所述模型创建模块，包括：样本获取单元，用于获取音乐训练样本；特征提取单元，用于提取所述音乐训练样本的时间维度特征信息以及在不同时刻下对应的音符维度特征信息；模型训练单元，用于利用所述时间维度特征信息和所述音符维度特征信息进行模型训练，得到所述训练模型。可选的，所述特征提取单元，具体用于提取当前时刻下对应的音符的第一音符特征向量、第二音符特征向量、第三音符特征向量、第四音符特征向量以及第五音符特征向量；其中，所述第一音符特征向量为用于对相应音符的音高在MIDI文件中对应的数字值进行记录的向量，所述第二音符特征向量为用于对相应音符在一个八度内的位置进行记录的向量，所述第三音符特征向量为用于对当前时刻下的音符和上一时刻下的音符之间的关系进行记录的向量，所述第四音符特征向量为用于对上一时刻关联关系进行记录的向量，所述第五音符特征向量为用于对节拍进行记录的向量。可选的，所述模型训练单元，具体用于将所述时间维度特征信息以及所述音符维度特征信息输入到预先设计的神经网络模型中进行模型训练，得到所述训练模型。可选的，所述模型训练单元，具体用于将所述时间维度特征信息以及所述音符维度特征信息输入到预先基于LSTM神经网络设计的模型中进行模型训练，得到所述训练模型。可选的，所述自动编曲系统，还包括：模型更新模块，用于利用梯度下降方法对所述模型训练单元得到的所述训练模型进行更新处理。本专利技术中，自动编曲方法，包括：步骤S11：确定与初始时刻对应的输入音符，得到当前输入音符；步骤S12：对当前输入音符进行特征提取，得到当前输入音符特征；步骤S13：将当前输入音符特征输入至预先创建的训练模型中，得到训练模型相应输出的音符，得到当前输出音符；步骤S14：将当前输出音符确定为下一时刻对应的输入音符，并将下一时刻确定为当前时刻，然后重新进入步骤S12，直到循环次数达到预设次数阈值，并对每个时刻对应的输出音符进行合并，得到相应的乐曲；其中，训练模型的创建过程包括：获取音乐训练样本，提取音乐训练样本的时间维度特征信息以及在不同时刻下对应的音符维度特征信息，利用时间维度特征信息和音符维度特征信息进行模型训练，得到训练模型。可见，本专利技术预先利用音乐训练样本中的时间维度特征信息以及音符维度特征信息来进行模型训练，得到相应的训练模型，后续通过上述训练模型确定出多个时刻下对应的输出音符，通过将上述多个时刻下对应的输出音符进行合并，便可以得到相应的乐曲，由于上述过程中无需涉及到人工操作，从而大幅提升了乐曲的创作效率，与此同时，也降低了乐曲的创作成本，降低了乐曲创作门槛。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例公开的一种自动编曲方法流程图；图2为本专利技术实施例公开的一种自动编曲系统结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了一种自动编曲方法，参见图1所示，该方法包括：步骤S11：确定与初始时刻对应的输入音符，得到当前输入音符。需要说明的是，上述确定与初始时刻对应的输入音符的过程，具体可以包括：通过随机产生的方式来确定出与初始时刻对应的输入音符。例如，通过随机抽取的方式，从预先创建的音符库中随机抽取出一个音符作为与上述初始时刻对应的输入音符，从而得到上述步骤S11中的当前输入音符。另外，可以理解的是，上述音符库具体可以本文档来自技高网...

【技术保护点】
一种自动编曲方法，其特征在于，包括：步骤S11：确定与初始时刻对应的输入音符，得到当前输入音符；步骤S12：对当前输入音符进行特征提取，得到当前输入音符特征；步骤S13：将当前输入音符特征输入至预先创建的训练模型中，得到所述训练模型相应输出的音符，得到当前输出音符；步骤S14：将当前输出音符确定为下一时刻对应的输入音符，并将下一时刻确定为当前时刻，然后重新进入步骤S12，直到循环次数达到预设次数阈值，并对每个时刻对应的输出音符进行合并，得到相应的乐曲；其中，所述训练模型的创建过程包括：获取音乐训练样本，提取所述音乐训练样本的时间维度特征信息以及在不同时刻下对应的音符维度特征信息，利用所述时间维度特征信息和所述音符维度特征信息进行模型训练，得到所述训练模型。

【技术特征摘要】
1.一种自动编曲方法，其特征在于，包括：步骤S11：确定与初始时刻对应的输入音符，得到当前输入音符；步骤S12：对当前输入音符进行特征提取，得到当前输入音符特征；步骤S13：将当前输入音符特征输入至预先创建的训练模型中，得到所述训练模型相应输出的音符，得到当前输出音符；步骤S14：将当前输出音符确定为下一时刻对应的输入音符，并将下一时刻确定为当前时刻，然后重新进入步骤S12，直到循环次数达到预设次数阈值，并对每个时刻对应的输出音符进行合并，得到相应的乐曲；其中，所述训练模型的创建过程包括：获取音乐训练样本，提取所述音乐训练样本的时间维度特征信息以及在不同时刻下对应的音符维度特征信息，利用所述时间维度特征信息和所述音符维度特征信息进行模型训练，得到所述训练模型。2.根据权利要求1所述的自动编曲方法，其特征在于，任一时刻下对应的音符维度特征信息的提取过程，包括：提取当前时刻下对应的音符的第一音符特征向量、第二音符特征向量、第三音符特征向量、第四音符特征向量以及第五音符特征向量；其中，所述第一音符特征向量为用于对相应音符的音高在MIDI文件中对应的数字值进行记录的向量，所述第二音符特征向量为用于对相应音符在一个八度内的位置进行记录的向量，所述第三音符特征向量为用于对当前时刻下的音符和上一时刻下的音符之间的关系进行记录的向量，所述第四音符特征向量为用于对上一时刻关联关系进行记录的向量，所述第五音符特征向量为用于对节拍进行记录的向量。3.根据权利要求1或2所述的自动编曲方法，其特征在于，所述利用所述时间维度特征信息和所述音符维度特征信息进行模型训练，得到所述训练模型的过程，包括：将所述时间维度特征信息以及所述音符维度特征信息输入到预先设计的神经网络模型中进行模型训练，得到所述训练模型。4.根据权利要求3所述的自动编曲方法，其特征在于，所述神经网络模型为预先基于LSTM神经网络设计的模型。5.根据权利要求4所述的自动编曲方法，其特征在于，所述利用所述时间维度特征信息和所述音符维度特征信息进行模型训练，得到所述训练模型的过程之后，还包括：利用梯度下降方法对所述训练模型进行更新处理。6.一种自动编曲系统，其特征在于，包括模型创建模块、音符确定模块、特征提取模块...

【专利技术属性】
技术研发人员：吴振国，徐卓异，
申请(专利权)人：吴振国，徐卓异，
类型：发明
国别省市：北京,11