官網資料顯示,“音樂人工智能與音樂信息技術”專業學制為三年,報考人員必須是計算機、智能、電子信息專業的考生。
至於推薦書單,除了1的書《樂理基礎》是和樂理掛鉤的,其他四本推薦書單都是和人工智能理論有關的,分別是《數據結構與算法》、《信號與系統導論》、《人工智能:壹種現代方法》和《神經網絡與機器學習》。
因為“音樂人工智能與音樂信息技術”是壹個跨學科的專業,面試不僅會考核該學科的專業能力,還會考核考生的音樂能力——演奏某壹種樂器或者單純的唱歌。
目前該專業已經敲定的三位聯合培養導師是:
俞峰
中央音樂學院院長,教授,博士生導師,“萬人計劃”和“四組”人才帶頭人。中國指揮學會會長,全國藝術專業學位研究生教學委員會副主任,中國文聯第十屆全國委員會委員,享受國務院政府特殊津貼。
孫茂松
清華大學教授,博士生導師,清華大學人工智能研究院常務副院長,原計算機系主任、黨委書記,教育部教學信息化與教學方法創新指導委員會副主席,中國科協第九屆全國委員會委員。主要研究領域為自然語言處理、人工智能、機器學習和計算教育學。國家973計劃首席科學家、國家社科基金重大項目首席專家。2017,主導開發“九歌”人工智能古詩詞寫作系統。
吳喜紅
北京大學教授,博士生導師,教育部新世紀傑出人才。Eecs,副總裁,智能科學部主任,語音聽覺研究中心主任,致力於機器聽覺計算理論、語音信息處理、自然語言理解、音樂智能等領域的研究,主持國家、省部級項目40余項,獲得國家授權發明專利10余項,發表學術論文200余篇。他在智能音樂創作和編曲領域取得了巨大的成就。
有意報讀該專業的考生須於2065年3月1日至3月15日完成網上報名(網址:/),考試將於今年5月在中央音樂學院舉行。
更多詳情,請點擊:
/xwyhd/xsjd/2019s/201903/t 20190301 _ 53856 . html
互相了解
專業開有預警嗎?
如果妳壹直關註中央音樂學院的發展,妳就不會對這個專業的開設感到驚訝。
早在去年5月,中央音樂學院就與以創新性跨學科研究著稱的印第安納大學信息計算與工程學院簽署合作協議,共建信息愛樂樂團實驗室——所謂“信息愛樂樂團”,是指壹種音樂人工智能伴奏系統,由印第安納大學信息計算與工程學院音樂信息學實驗室主任克裏斯托弗·拉斐爾發明。
該系統最大的特點就是會用數學方法對音樂本身和音樂家的感受進行綜合解讀和計算。通過不斷的主動學習,形成更貼近音樂人個性化演奏需求的樂團伴奏和協奏曲模板,為音樂人提供更加靈活的演奏機會。
簽約後,經過半年多的緊鑼密鼓籌備,雙方於去年10月26日共同舉辦了人工智能陪伴的國內首個專場音樂會——AI之夜音樂會。來自中央音樂學院和信息愛樂樂團的12名不同專業的優秀獨奏演員共同演繹了12部各種體裁的中外作品。
值得壹提的是,中國音樂《長城隨想曲》伴隨著人工智能,這是人工智能技術與中國民樂的第壹次碰撞。
圖片來自中央音樂學院官網。
中央音樂學院院長余楓教授在音樂會致辭中表示:“這是壹場影響深遠的音樂會,中國整個音樂行業將由此進入壹個‘人工智能’的時代,這大大提高了整個音樂行業,尤其是音樂教育行業的信息化水平。人工智能技術與音樂藝術專業的結合,將實現整個行業的跨越式發展,必將成為音樂行業產業化的典範。」
“艾之夜演唱會”演唱會完整演出視頻:
/index.php?option=weixin,dianbodetail & ampid=3514
國內科研熱情日益高漲。
除了中央音樂學院,星海音樂學院、中央民族大學也在嘗試人工智能+音樂方面有所建樹。
去年5月65438+6月,由星海音樂學院管弦樂系和印第安納大學信息計算與工程學院音樂信息學實驗室共同組建的音樂人工智能輔助管弦樂教學聯合實驗室正式啟動。雙方將合作將音樂人工智能輔助管弦樂教學系統引入日常教學。
據了解,該系統可以讓學生在日常專業練習中,隨時聆聽專業樂團完整的音樂伴奏,同時將自己和樂團的合成演奏音頻轉換成高度結構化、可視化、可檢索、可比較的音樂數據帶到課堂上與專業老師討論。對於專業教師來說,系統可以對學生的專業學習進行縱向和橫向的比較,獲得學生的第壹手資料,改進教學內容和方法。
圖片來自“星海音樂學院”微信微信官方賬號
去年2月7日,65438+,中央民族大學與平安科技聯合舉辦的“人工智能音樂聯合實驗室”簽約儀式在中央民族大學知行堂舉行。此次合作旨在發揮各自優勢,通過聯合研發,實現人工智能音樂創作從欣賞階段到專業階段再到專家階段的思路。
中央民族大學黨委常委、副校長宋敏在揭牌儀式上表示,人工智能已經列入國家計劃,進入逐步實施階段,正在不斷與各個領域結合,無疑將引領未來各行各業的發展。她希望雙方通過實驗室這個平臺,發揮各自優勢,提升中央民族大學學科建設水平和音樂創作水平,推動北京“四個中心”特別是文化中心建設,積極幫助中國優秀音樂文化走出去。
圖片來自中央民族大學官網。
此外,由復旦大學和清華大學聯合創辦的第六屆中國聲音與音樂技術大會(CSMT)自2013以來,不斷為中國輸出聲音與音樂技術交叉領域的學術觀點,豐富了中國人工智能與音樂領域的研究成果。
以2018會議為例,論文主題包括:
音樂聲學
樂器聲學/人聲聲學/心理聲學和電聲學/空間音樂聲學等。
聲音和音樂的信號處理
工業、農業、畜牧業、水產養殖、地理、環境等領域的聲音信號處理/音樂信號處理。
計算機聽力
聲音和音樂的內容分析、理解和建模/音頻和音樂信息檢索/分類、標註、情感計算、推薦等。/人工智能在音樂計算中的應用/音樂計算在娛樂、教育、海洋、醫學、裝備、軍事、信息安全等領域的應用。
音頻信息安全
強大的音頻水印/音頻認證/音頻取證
電腦音樂和錄音
計算機輔助音樂創作/計算機輔助音樂教學系統/計算機音樂制作技術/計算機音樂軟件開發/音頻及多聲道音響系統/音響裝置及相關多媒體技術/音效及音響設計/音頻人機交互
聽覺心理學
結合聽覺和視覺的多媒體應用
值得壹提的是,去年的CSMT大會專門開了兩個專場:壹個是針對通用音頻討論計算機聽覺,試圖拓展除音樂之外的音頻+AI人工智能在各行各業的應用,比如海洋船舶識別、設備診斷、AI醫療、語音聲學、音頻監控、動物識別、農業保護、工業自動化等另壹個是討論中國民族音樂與計算機科學技術的交叉融合,體現了國內會議的前瞻性。
目前流行的AI+音樂算法
對於目前音樂人工智能算法的研究,中國音樂學院音樂系傅曉東教授在《藝術探索》2018,05發表的文章《音樂人工智能的倫理思考——算法作曲》中將其分為自律和他律兩類。
其中,“自律”是指機器嚴格或不嚴格遵循事先規定的內部結構原則生成與音頻素材相對應的音樂作品,最終的音頻呈現受到內部結構原則自律的限制;“他律”是指機器嚴格與否地遵循根據人類經驗規定的外在結構原理,通過映射成聲學來生成作品。最終的聲音呈現受到外部結構原則的他律性的限制。
最終的梳理結果如下:
“自律”音樂人工智能算法
(壹)數學模型(數學模型)
用數學算法和隨機事件組成的數學模型作曲。其中,算法相當於作曲定律,隨機事件相當於音樂元素——音樂中的各種元素都可以分解成壹系列隨機事件,比如聲音的四個屬性,音樂的三個元素等等。作曲者(程序員)給它們不同的權重,用壹種特定的隨機算法進行計算處理,得到聲音序列,結果是不確定的。常用的隨機算法有馬爾可夫鏈和高斯分布。目前基於數學模型的音樂人工智能作品,在伴奏的速度、樂句的動態處理、終止拉伸節奏等方面都有相當的“智能”感,但在作品的整體可聽性方面仍有明顯欠缺。
(2)進化方法。
進化算法源於達爾文揭示的生物進化理論,用算法模擬物種進化的過程來構造音樂作品。將隨機或人為的聲學事件分組為壹個種群,通過選種、遺傳和變異的叠代算法淘汰種群中已有的個體,並通過由適應度函數組成的審核程序對結果進行修正,以保證其美學意義的質量。最常見的進化計算方法是遺傳算法和遺傳編程。進化算法試圖將物種進化的過程與音樂生成的過程相匹配的邏輯並不完善,因此對作品的審美識別度不高,現在多用於和聲配置和伴奏任務中。
語法(Grammars)
音樂形成的規則可以和人類語言的語法規則相比較。人類的語言是由詞、短語、句子按照壹定的語法規則組成的,音樂中的動機、節日、樂句也有類似的結構特征。首先創建壹個具體音樂作品的語法規則,結合和聲、節奏、音高等各種音樂素材,最終生成壹部音樂作品。誠然,音樂和語言在某種程度上是同構的,但相比較而言,音樂規則表現出了更大的靈活性和可變性。具有固定語法規則和若幹可變規則的語言算法產生的音樂作品具有壹些僵硬和不靈活的特征。
他律音樂的人工智能算法
(壹)遷移模型算法(平移模型)
非音樂媒體信號源中的信息被映射和遷移到音樂音頻信息。最常見的是轉換視覺信息,比如把壹幅圖像中的線條轉換成旋律,把色彩轉換成和聲,把色度轉換成強度;運動物體的空間位移轉化為旋律,速度轉化為節拍節奏。也可用於傳遞非視覺信息,如通過自動情感分析系統將文學作品中的正/負描寫轉換為初級/小調和弦。事實上,人類的感官在壹定程度上確實存在“聯覺”效應,比如空間線條與旋律走向的對應,但如果嚴格映射,並沒有強有力的心理學證據。因此,遷移模型算法生成的音樂作品往往出現在互動的新媒體藝術表演中,更具有現場事件的關聯性和互動性的審美趣味。但壹旦音樂作品脫離其映射對象單獨呈現,這類作品的可聽性就會大打折扣。
基於知識的系統。
以某種音樂風格的知識庫為基礎,對這種音樂風格的審美特征進行提取和編碼,即歸納推理;以編碼程序為算法,即演繹推理,創作出風格相似的新作品。比如基於對位原理的巴洛克音樂風格編碼、基於大小和聲系統的古典浪漫主義音樂風格編碼、弱化和聲功能的印象派音樂風格編碼以及相應風格作品的生成都屬於知識推理系統算法。該算法在壹定程度上已經接近音樂學院作曲技術理論的學習過程,生成的音樂作品與其所依據的特定風格知識庫非常相似,具有較高的可聽性。其缺點在於歸納和演繹相對分離,即風格代碼必須由操作者提供,程序本身只是代碼的執行操作。操作者對創作規律的抽象理解會嚴重影響作品的結果,會存在僵化和雷同的缺點。
機器學習(Machine Learning)
操作者為計算機輸入大量的音樂立體聲,計算機有效地“聆聽和學習”音樂作曲的規則,即過程類似於知識推理系統,但操作者並不嚴格指定音樂類型,也不為程序提供風格編碼,這壹過程由算法程序自動完成,強調其自主性和無監督學習。當然,從本質上來說,“無監督”的機器學習只能在壹定程度和範圍內,仍然受限於操作者提供的知識庫。機器學習與數學優化、數據挖掘等計算科學的研究成果密切相關,與認知科學、神經網絡學科的研究成果密切相關,其中決策樹、人工神經網絡、深度學習等方法最為明顯,是迄今為止對生物學習過程模仿程度最高的算法。機器學習仍然屬於仿生學,但它超越了結構和力學的仿生學,是人腦思維過程的仿生學。機器學習不僅可以用於壹般的音樂創作,還可以用於即興創作和比賽。雖然可以生成各種指定風格或混合風格的音樂作品,但仍然取決於運營方提供的音樂數據類型,是通過隨機事件的概率統計進行的有規律的聲學預測。
根據傅教授的分類標準,我們將能夠有效地對大多數流行的人工智能+音樂研究工作進行分類。
值得壹提的是,在中國科學技術大學、微軟人工智能研究院和蘇州大學的合作下,描述歌曲生成端到端旋律和編曲生成框架的論文《Xiaoice Band:A Melody and Arrangement Generation Framework for popular Music》成功榮獲KDD 2018年度研究軌道最佳學生論文。雷鋒網《AI科技評論》對此做了相應的解讀。有興趣的讀者可以點擊/news/2065 438+0808/nkobblrdhxzsyad g 5 . html回看。
總的來說,人工智能未來會在音樂領域扮演更重要的角色。它可以幫助人們分析作品、創作作品和分享大量重復性的作品,進壹步激發創造力,探索音樂形式和內容的各種可能性。希望通過這種跨學科、壹體化的合作,能夠總結和完善各種音樂創作邏輯,在感知和情感上有所突破,讓人工智能在音樂的諸多領域形成創新,對教學和社會服務產生影響。