好像非规则反而是AI的强项
@BRY的鸟鸣
:……但是音乐真的可能很难替代,这个音乐一听就不是人创作的规则味儿太明显了
你要这么一说,我反倒有点觉得,AI的随机性在艺术领域可能比科学领域更能创造惊喜……//
好了,以后也不需要音乐🎶作家了
NotaGen: 利用大型语言模型训练范式提升符号音乐生成中的音乐性(Advancing Musicality in Symbolic Music Generation with Large Language Model Training Paradigms)
摘要:
NotaGen,这是一种符号音乐生成模型,旨在探索制作高品质古典乐谱的潜力。受大型语言模型 (LLM) 成功的启发,NotaGen 采用了预训练、微调和强化学习范式(以下称为 LLM 训练范式)。
它先在 160 万首乐曲上进行预训练,然后根据“时期-作曲家-乐器”提示,在大约 9000 首高品质古典乐曲上进行微调。对于强化学习,我们提出了 CLaMP -DPO方法,该方法进一步提高了生成质量和可控性,而无需人工注释或预定义奖励。
我们的实验证明了 CLaMP-DPO 在具有不同架构和编码方案的符号音乐生成模型中的有效性。此外,主观 A/B 测试表明,NotaGen 在与人类作品的比较中优于基线模型,极大地提升了符号音乐生成的音乐美感。
NotaGen: 利用大型语言模型训练范式提升符号音乐生成中的音乐性(Advancing Musicality in Symbolic Music Generation with Large Language Model Training Paradigms)
摘要:
NotaGen,这是一种符号音乐生成模型,旨在探索制作高品质古典乐谱的潜力。受大型语言模型 (LLM) 成功的启发,NotaGen 采用了预训练、微调和强化学习范式(以下称为 LLM 训练范式)。
它先在 160 万首乐曲上进行预训练,然后根据“时期-作曲家-乐器”提示,在大约 9000 首高品质古典乐曲上进行微调。对于强化学习,我们提出了 CLaMP -DPO方法,该方法进一步提高了生成质量和可控性,而无需人工注释或预定义奖励。
我们的实验证明了 CLaMP-DPO 在具有不同架构和编码方案的符号音乐生成模型中的有效性。此外,主观 A/B 测试表明,NotaGen 在与人类作品的比较中优于基线模型,极大地提升了符号音乐生成的音乐美感。