请冯谈音乐:音乐博士带你从零开始学习乐理。
官网资料显示，“音乐人工智能与音乐信息技术”专业学制共三年，要求考生来自计算机、智能、电子信息。
至于推荐书单，除了1的书《乐理基础》是和乐理挂钩的，其他四本推荐书单都是和人工智能理论有关的，分别是《数据结构与算法》、《信号与系统导论》、《人工智能:一种现代方法》和《神经网络与机器学习》。
因为“音乐人工智能与音乐信息技术”是一个跨学科的专业，面试不仅会考核该学科的专业能力，还会考核考生的音乐能力——演奏某一种乐器或者单纯的唱歌。
目前该专业已经敲定的三位联合培养导师是:
俞峰
中央音乐学院院长，教授，博士生导师，“万人计划”和“四组”人才带头人。中国指挥学会会长，全国艺术专业学位研究生教学委员会副主任，中国文联第十届全国委员会委员，享受国务院政府特殊津贴。
孙茂松
清华大学教授，博士生导师，清华大学人工智能研究院常务副院长，原计算机系主任、党委书记，教育部教学信息化与教学方法创新指导委员会副主席，中国科协第九届全国委员会委员。主要研究领域为自然语言处理、人工智能、机器学习和计算教育学。国家973计划首席科学家、国家社科基金重大项目首席专家。2017，主导开发“九歌”人工智能古诗词写作系统。
吴喜红
北京大学教授，博士生导师，教育部新世纪杰出人才。Eecs，副总裁，智能科学部主任，语音听觉研究中心主任，致力于机器听觉计算理论、语音信息处理、自然语言理解、音乐智能等领域的研究，主持国家、省部级项目40余项，获得国家授权发明专利10余项，发表学术论文200余篇。他在智能音乐创作和编曲领域取得了巨大的成就。
有意报读该专业的考生须于2065年3月1日至3月15日完成网上报名(网址:/),考试将于今年5月在中央音乐学院举行。
更多详情，请点击:
/xwyhd/xsjd/2019s/201903/t 20190301 _ 53856 . html
互相了解
专业开有预警吗？
如果你一直关注中央音乐学院的发展，你就不会对这个专业的开设感到惊讶。
早在去年5月，中央音乐学院就与以创新性跨学科研究著称的印第安纳大学信息计算与工程学院签署合作协议，共建“信息爱乐乐团”实验室——所谓“信息爱乐乐团”，是指一种音乐人工智能伴奏系统，由印第安纳大学信息计算与工程学院音乐信息学实验室主任克里斯托弗·拉斐尔发明。
该系统最大的特点就是会用数学方法对音乐本身和音乐家的感受进行综合解读和计算。通过不断的主动学习，形成更贴近音乐人个性化演奏需求的乐团伴奏和协奏曲模板，为音乐人提供更加灵活的演奏机会。
签约后，经过半年多的紧锣密鼓筹备，双方于去年10月26日共同举办了人工智能陪伴的国内首个专场音乐会——AI之夜音乐会。来自中央音乐学院和信息爱乐乐团的12名不同专业的优秀独奏演员共同演绎了12部各种体裁的中外作品。
值得一提的是，中国音乐《长城随想曲》伴随着人工智能，这是人工智能技术与中国民乐的第一次碰撞。
图片来自中央音乐学院官网。
中央音乐学院院长余枫教授在音乐会致辞中表示:“这是一场影响深远的音乐会，中国整个音乐行业将由此进入一个‘人工智能’的时代，这大大提高了整个音乐行业，尤其是音乐教育行业的信息化水平。人工智能技术与音乐艺术专业的结合，将实现整个行业的跨越式发展，必将成为音乐行业产业化的典范。」
“艾之夜演唱会”演唱会完整演出视频:
/index.php？option=weixin，dianbodetail & ampid=3514
国内科研热情日益高涨。
除了中央音乐学院，星海音乐学院、中央民族大学也在尝试人工智能+音乐方面有所建树。
去年5月65438+6月，由星海音乐学院管弦乐系和印第安纳大学信息计算与工程学院音乐信息学实验室共同组建的音乐人工智能辅助管弦乐教学联合实验室正式启动。双方将合作将音乐人工智能辅助管弦乐教学系统引入日常教学。
据了解，该系统允许学生在日常专业实践中，随时收听专业乐团的完整音乐伴奏，同时将自己和乐团的合成演奏音频转换成高度结构化、可视化、可检索、可比较的音乐数据带到课堂上与专业老师讨论；对于专业教师来说，系统可以对学生的专业学习进行纵向和横向的比较，获得学生的第一手资料，改进教学内容和方法。
图片来自“星海音乐学院”微信微信官方账号
去年2月7日，65438+，中央民族大学与平安科技联合举办的“人工智能音乐联合实验室”签约仪式在中央民族大学知行堂举行。此次合作旨在发挥各自优势，通过联合研发，实现人工智能音乐创作从欣赏阶段到专业阶段再到专家阶段的思路。
中央民族大学党委常委、副校长宋敏在揭牌仪式上表示，人工智能已经列入国家计划，进入逐步实施阶段，正在不断与各个领域结合，无疑将引领未来各行各业的发展。她希望双方通过实验室这个平台，发挥各自优势，提升中央民族大学学科建设水平和音乐创作水平，推动北京“四个中心”特别是文化中心建设，积极帮助中国优秀音乐文化走出去。
图片来自中央民族大学官网。
此外，由复旦大学和清华大学联合创办的第六届中国声音与音乐技术大会(CSMT)自2013以来，不断为中国输出声音与音乐技术交叉领域的学术观点，丰富了中国人工智能与音乐领域的研究成果。
以2018会议为例，论文主题包括:
音乐声学
乐器声学/人声声学/心理声学和电声学/空间音乐声学等。
声音和音乐的信号处理
工业、农业、畜牧业、水产养殖、地理、环境等领域的声音信号处理/音乐信号处理。
计算机听力
声音和音乐的内容分析、理解和建模/音频和音乐信息检索/分类、标注、情感计算、推荐等。/人工智能在音乐计算中的应用/音乐计算在娱乐、教育、海洋、医学、装备、军事、信息安全等领域的应用。
音频信息安全
强大的音频水印/音频认证/音频取证
电脑音乐和录音
计算机辅助音乐创作/计算机辅助音乐教学系统/计算机音乐制作技术/计算机音乐软件开发/音频及多声道音响系统/音响装置及相关多媒体技术/音效及音响设计/音频人机交互
听觉心理学
结合听觉和视觉的多媒体应用
值得一提的是，去年的CSMT大会专门开了两个专场:一个是针对通用音频讨论计算机听觉，试图拓展除音乐之外的音频+AI人工智能在各行各业的应用，比如海洋船舶识别、设备诊断、AI医疗、语音声学、音频监控、动物识别、农业保护、工业自动化等另一个是讨论中国民族音乐与计算机科学技术的交叉融合，体现了国内会议的前瞻性。
目前流行的AI+音乐算法
对于目前音乐人工智能算法的研究，中国音乐学院音乐系傅晓东教授在《艺术探索》2018，05发表的文章《音乐人工智能的伦理思考——算法作曲》中将其分为自律和他律两类。
其中，“自律”是指机器严格或不严格遵循事先规定的内部结构原则生成与音频素材相对应的音乐作品，最终的音频呈现受到内部结构原则自律的限制；“他律”是指机器严格与否地遵循根据人类经验规定的外在结构原理，通过映射成声学来生成作品。最终的声音呈现受到外部结构原则的他律性的限制。
最终的梳理结果如下:
“自律”音乐人工智能算法
(一)数学模型(数学模型)
用数学算法和随机事件组成的数学模型作曲。其中，算法相当于作曲定律，随机事件相当于音乐元素——音乐中的各种元素都可以分解成一系列随机事件，比如声音的四个属性，音乐的三个元素等等。作曲者(程序员)给它们不同的权重，用一种特定的随机算法进行计算处理，得到声音序列，结果是不确定的。常用的随机算法有马尔可夫链和高斯分布。目前基于数学模型的音乐人工智能作品，在伴奏的速度、乐句的动态处理、终止拉伸节奏等方面都有相当的“智能”感，但在作品的整体可听性方面仍有明显欠缺。
(2)进化方法。
进化算法源于达尔文揭示的生物进化理论，用算法模拟物种进化的过程来构造音乐作品。将随机或人为的声学事件分组为一个种群，通过选种、遗传和变异的迭代算法淘汰种群中已有的个体，并通过由适应度函数组成的审核程序对结果进行修正，以保证其美学意义的质量。最常见的进化计算方法是遗传算法和遗传编程。进化算法试图将物种进化的过程与音乐生成的过程相匹配的逻辑并不完善，因此对作品的审美识别度不高，现在多用于和声配置和伴奏任务中。
语法(Grammars)
音乐形成的规则可以和人类语言的语法规则相比较。人类的语言是由词、短语、句子按照一定的语法规则组成的，音乐中的动机、节日、乐句也有类似的结构特征。首先创建一个具体音乐作品的语法规则，结合和声、节奏、音高等各种音乐素材，最终生成一部音乐作品。诚然，音乐和语言在某种程度上是同构的，但相比较而言，音乐规则表现出了更大的灵活性和可变性。具有固定语法规则和若干可变规则的语言算法产生的音乐作品具有一些僵硬和不灵活的特征。
他律音乐的人工智能算法
(一)迁移模型算法(平移模型)
非音乐媒体信号源中的信息被映射和迁移到音乐音频信息。最常见的是转换视觉信息，比如把一幅图像中的线条转换成旋律，把色彩转换成和声，把色度转换成强度；运动物体的空间位移转化为旋律，速度转化为节拍节奏。也可用于传递非视觉信息，如通过自动情感分析系统将文学作品中的正/负描写转换为初级/小调和弦。事实上，人类的感官在一定程度上确实存在“联觉”效应，比如空间线条与旋律走向的对应，但如果严格映射，并没有强有力的心理学证据。因此，迁移模型算法生成的音乐作品往往出现在互动的新媒体艺术表演中，更具有现场事件的关联性和互动性的审美趣味。但一旦音乐作品脱离其映射对象单独呈现，这类作品的可听性就会大打折扣。
基于知识的系统。
以某种音乐风格的知识库为基础，对这种音乐风格的审美特征进行提取和编码，即归纳推理；以编码程序为算法，即演绎推理，创作出风格相似的新作品。比如基于对位原理的巴洛克音乐风格编码、基于大小和声系统的古典浪漫主义音乐风格编码、弱化和声功能的印象派音乐风格编码以及相应风格作品的生成都属于知识推理系统算法。该算法在一定程度上已经接近音乐学院作曲技术理论的学习过程，生成的音乐作品与其所依据的特定风格知识库非常相似，具有较高的可听性。其缺点在于归纳和演绎相对分离，即风格代码必须由操作者提供，程序本身只是代码的执行操作。操作者对创作规律的抽象理解会严重影响作品的结果，会存在僵化和雷同的缺点。
机器学习(Machine Learning)
操作者为计算机输入大量的音乐立体声，计算机有效地“聆听和学习”音乐作曲的规则，即过程类似于知识推理系统，但操作者并不严格指定音乐类型，也不为程序提供风格编码，这一过程由算法程序自动完成，强调其自主性和无监督学习。当然，从本质上来说，“无监督”的机器学习只能在一定程度和范围内，仍然受限于操作者提供的知识库。机器学习与数学优化、数据挖掘等计算科学的研究成果密切相关，与认知科学、神经网络学科的研究成果密切相关，其中决策树、人工神经网络、深度学习等方法最为明显，是迄今为止对生物学习过程模仿程度最高的算法。机器学习仍然属于仿生学，但它超越了结构和力学的仿生学，是人脑思维过程的仿生学。机器学习不仅可以用于一般的音乐创作，还可以用于即兴创作和比赛。虽然可以生成各种指定风格或混合风格的音乐作品，但仍然取决于运营方提供的音乐数据类型，是通过随机事件的概率统计进行的有规律的声学预测。
根据傅教授的分类标准，我们将能够有效地对大多数流行的人工智能+音乐研究工作进行分类。
值得一提的是，在中国科学技术大学、微软人工智能研究院和苏州大学的合作下，描述歌曲生成端到端旋律和编曲生成框架的论文《Xiaoice Band:A Melody and Arrangement Generation Framework for popular Music》成功荣获KDD 2018年度研究轨道最佳学生论文。雷锋网《AI科技评论》对此做了相应的解读。有兴趣的读者可以点击/news/2065 438+0808/nkobblrdhxzsyad g 5 . html回看。
总的来说，人工智能未来会在音乐领域扮演更重要的角色。它可以帮助人们分析作品、创作作品和分享大量重复性的作品，进一步激发创造力，探索音乐形式和内容的各种可能性。希望通过这种跨学科、一体化的合作，能够总结和完善各种音乐创作逻辑，在感知和情感上有所突破，让人工智能在音乐的诸多领域形成创新，对教学和社会服务产生影响。