OpenAI最新研发的MuseNet的深度神经网络，可以制作4分钟时长的音乐作品

基于深度神经网络进行语音合成、音乐风格迁移，正成为不少致力于“让人人成为音乐家”的研究人员所追求的事情。像此前我们报道的微软小冰作词又作曲，AI帮清华博士写说唱歌词晋级，甚至不久前中央音乐学院招音乐AI方向博士生。不久前，为了纪念著名作曲家巴赫诞辰，Google 根据巴赫合唱和声训练而成的机器学习模式 Coconet 吸引了不少人前来围观。

最近，OpenAI最新研发的MuseNet的深度神经网络，可以制作 4 分钟时长的音乐作品，其中涵盖 10 种不同的乐器（如钢琴、鼓、贝斯、吉他），甚至还能将诸如乡村风格、莫扎特风格、甲壳虫乐队风格的音乐融合起来。

首先需要说明的是，MuseNet 并没有根据人类输入的对音乐理解进行显式编程，而是通过学习预测成千上万个 MIDI 文件的下一个 token 来发现和弦、节奏和风格的模式。MuseNet 采用了无监督神经网络语言模型 GPT2.0（是的，就是此前被誉为可以 BERT 媲美的 NLP 模型 GPT2.0，普遍观点是，经过预训练可以预测上下文，无论是音频还是文本。）

据悉，5 月 12 日将正式开放 MuseNet 语言生成工具的试用版本。（以下为学习了肖邦作曲风格的英国女歌手 Adele 的 Someone Like You的 AI编曲录音。）

传送门：

https://openai.com/blog/musenet/

▌过程原理

在简单模式（默认显示）中，用户会听到预设生成的随机未切割样本；然后选择某作曲家或风格下的著名作品片段，即可生成各种风格的音乐。

在高级模式下，用户可直接与模型交互。这个过程需要完成的时间会更长，但用户可以创建一个全新的作品。

注意：MuseNet 通过计算所有可能的音符和乐器的概率来生成每个音符，模型会倾向采用你选择的乐器，但也可能会选择逼得乐器；同样，MuseNet 也会搭配不同风格的乐器，如果用户自行选择最接近作家或乐队常用分风格或乐器，产生的音乐会更自然。

研究人员还创建了作曲家和乐器的 token，以便更好地控制 MuseNet 生成的样本类型。训练期间，这些作曲家和乐器 token 将预先添加到每个样本中，因此模型将学习利用该信息进行音符预测。生成音乐时，可以调整模型，如拉赫玛尼诺夫的钢琴曲为前提，以创建选定风格的音乐。

研究人员还将 MuseNet 中的嵌入进行可视化，以深入了解模型所学到的内容。他们采用了 t-SNE 创建各种风格嵌入的余弦相似性。（如下 2D 图像所示，可查看某个特定作曲家或风格之间的关系。）

▌利用 Sparse Transformer 记住长期结构

MuseNet 使用 Sparse Transformer 的重算和优化内核来训练一个具有 24 个注意力头的 72 层网络，并将全部注意力放在 4096 个 token 的上下文中。这个长文本的目的是能够记住一个片段中的长期结构。或者，它还可以创建音乐旋律结构。

音乐生成是测试 Sparse Transformer 的一个有用域，因为它位于文本和图像的中间位置。它具有文本的 token 结构。在图形中，你可以查看 N 个 token，而在音乐中，查看之前的起点没有固定数。此外，还可以很容易听到该模型是否在按照成百上千个 token 顺序来获取长期结构。

▌数据集

研究人员收集了不同来源的 MuseNet 训练数据（ClassicalArchives、BitMidi、MAESTRO ），涵盖爵士乐、流行乐，以及非洲、印度和阿拉伯等不同风格的音乐。

首先，研究人员采用 transformer 在序列数据上进行训练：给定一组音符，要求它预测其他即将出现的音符。在尝试了几种不同方法后将 MIDI 文件编码为适用于此任务的 token。

在这种其中，他们采用和弦方法，将每次听到的音符组合视为单独的 “和弦”，并为每个和弦指定一个 token。然后，通过仅关注音符开头压缩音乐模式，并尝试使用字节对编码方案进行近一步压缩。

研究人员还尝试了标记时间推移的两种不同方法：一是根据音乐节奏进行缩放的 token，代表节拍或节拍的一小部分；二是以绝对时间为单位来标记 token。他们采用了一种结合了表现力和简洁性的编码方式：将音高、音量以及乐器信息组合称一个 token。

在训练中，

通过提高和降低音高来调换音符。（之后的训练中，减少了调换数量，使得每个乐器都有生成的音符。）

提高音量，调高或降低不同样本的整体音量。

增加时间，当使用以秒为单位的绝对时间编码时，可有效稍微减缓或加速片段。

在 token 嵌入空间中使用 mixup。

研究人员还创建了一个内部评测，在训练中，通过模型预测给定的样本是否来自数据集还是之前生成的样本，进行评判。

▌嵌入

为了给模型提供更加结构化的上下文，研究人员还添加几种不同类型的嵌入。

除了标准位置嵌入外，还有学习到的嵌入，可在给定的样本中追踪时间推移；然后，他们还在每个和弦中的音符添加了嵌入；最后，他们添加了两个结构化嵌入，该嵌入可表明模型既定的音乐样本在较大音乐片段中的位置。