[发明专利]梵叹音乐生成方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了一种梵叹音乐生成方法、装置、设备及存储介质，用于提高梵叹音乐生成的准确性和多样性。梵叹音乐生成方法包括：从预设的梵叹音乐数据集中获取第一音乐片段信息和第二音乐片段信息；调用变分自编码器分别对第一音乐片段信息和第二音乐片段信息进行编码，得到第一低维向量序列和第二低维向量序列；通过结合注意力机制的循环神经网络模型对第一低维向量序列和第二低维向量序列进行修复处理，得到输出向量序列；通过变分自编码器对输出向量序列进行解码，得到多个音乐修复片段；按照多个音乐修复片段进行交互式音乐创作，得到目标梵叹音乐。此外，本发明还涉及区块链技术，目标梵叹音乐可存储于区块链节点中。

技术领域

本发明涉及人工智能的神经网络领域，尤其涉及一种梵叹音乐生成方法、装置、设备及存储介质。

背景技术

梵叹音乐属于佛教音乐，也属于音乐的一种类别，音乐作曲往往需要专业的作曲学习经验以及一定的创作天赋。目前有很多研究是利用深层生成模型来完成多种不同的音乐生成任务，如单音音乐生成、复调音乐生成等。但是这些模型生成的音乐只参考了过去的音乐语境，并没有参考未来的音乐语境。这种顺序生成音乐的方式限制了深层生成模型的交互性程度，并无法对特定部分进行调整。

在音乐创作研究中可以通过乐谱的修复来完成音乐创作，所以可以针对乐谱的修复方法展开研究。早期有针对音频修复方法的研究，主要是依靠矩阵分解、非局部相似度量和音频相似图等方法，但是这些方法只对基于音频的任务有效，不容易扩展到音乐符号中，所以对乐谱的修复与生成的效果不佳。后期在针对音乐符号展开的研究中，主要的方法是基于马尔科夫链蒙特卡洛方法(MCMC)和迭代梯度下降法，但是使用这些方法乐谱修复的速度较慢，不适合在交互的场景下应用。也有研究提出了预期循环神经网络RNN框架，该框架使用RNN在修复期间强制执行用户定义的约束，用户可以选择性地再生特定的音乐部分，进而完成交互性的实时生成。但是对于普通的RNN模型而言，随着输入的音乐长度增加，最终得出的乐谱修复结果准确性低。

发明内容

本发明提供了一种梵叹音乐生成方法、装置、设备及存储介质，用于提高梵叹音乐生成的准确性和多样性。

为实现上述目的，本发明第一方面提供了一种梵叹音乐生成方法，包括：从预设的梵叹音乐数据集中获取第一音乐片段信息和第二音乐片段信息，所述第一音乐片段信息和所述第二音乐片段信息为不衔接且不重叠的音乐片段；调用变分自编码器中的编码器分别对所述第一音乐片段信息和所述第二音乐片段信息进行编码，得到第一低维向量序列和第二低维向量序列；通过结合注意力机制的循环神经网络模型对所述第一低维向量序列和所述第二低维向量序列进行修复处理，得到输出向量序列；通过所述变分自编码器中的解码器对所述输出向量序列进行解码，得到多个音乐修复片段，每个音乐修复片段为符合上下文的音乐序列；按照所述多个音乐修复片段进行交互式音乐创作，得到目标梵叹音乐。

可选的，在本发明第一方面的第一种实现方式中，所述调用变分自编码器中的编码器分别对所述第一音乐片段信息和所述第二音乐片段信息进行编码，得到第一低维向量序列和第二低维向量序列，包括：对所述第一音乐片段信息和所述第二音乐片段信息分别进行数据预处理，得到第一处理后的音乐片段信息和第二处理后的音乐片段信息，并将所述第一处理后的音乐片段信息和所述第二处理后的音乐片段信息分别输入至变分自编码器中的编码器，所述编码器包括一个嵌入embedding网络层、一个双向长短期记忆网络层和两个线性层；通过所述embedding网络层、所述双向长短期记忆网络层和所述线性层依次分别对所述第一处理后的音乐片段信息和所述第二处理后的音乐片段信息进行编码处理，得到第一低维向量序列和第二低维向量序列。