谷歌的音乐变换器可以产生听起来不错的钢琴旋律

谷歌的歌曲创作人工智能(AI)可能不会很快适应莫扎特或李斯特，但它最近取得了令人印象深刻的进展。在本周的博客文章和随附的论文(“ 音乐变形金刚 ”)中，Google Brain项目“探索机器学习作为创作过程中的工具的角色”项目Magenta的贡献者介绍了他们在Musical Transformer，一台机器上的工作。学习模型能够以可识别的重复产生相对连贯的曲调。

“Transformer是一种基于自我关注的序列模型，在需要保持长程一致性的许多代任务中取得了令人瞩目的成果，”该论文的作者写道。“这表明自我关注也可能非常适合音乐建模。”

正如团队解释的那样，由于其结构复杂性，制作长篇音乐仍然是人工智能的挑战; 大多数歌曲包含多个主题，短语和重复，神经网络很难接受。虽然以前的工作设法引导了 一些由人类组成的作品中的自我参考可观测量，但它依赖于绝对定时信号，使其不适合跟踪基于相对距离和重复间隔的主题。

该团队的解决方案是Music Transformer，一种“基于注意力”的神经网络，可直接创建“富有表现力”的表演而无需先生成分数。通过使用基于事件的表示和称为相对关注的技术，音乐变换器不仅能够更多地关注关系特征，而且能够超出其提供的训练样本的长度。而且由于它的内存密集程度较低，因此它还能够生成更长的音乐序列。

在测试中，当使用肖邦的Black Key Etude进行准备时，Music Transformer制作了一首风格一致的歌曲，其中包含来自该主题的多个短语。相比之下，两种先前的算法 - 性能RNN和变压器 - 提供了完全缺乏可辨别结构或未能保持结构的相同引物。

该团队承认音乐变形金刚远非完美 - 它有时会产生重复次数过多，部分稀疏，跳跃奇怪的歌曲 - 但他们希望它能成为需要灵感的音乐家的缪斯。

“这开启了用户指定他们自己的入门的潜力，并使用该模型作为一种创造性工具来探索一系列可能的延续，”该团队写道。

他们说，训练和生成音乐变换器的代码即将出现，还有预先训练好的检查站。