나는 한동안 절차 적 콘텐츠 생성에 많은 생각을했고 절차 적 음악에 대한 많은 실험을 본 적이 없습니다. 우리는 모델, 애니메이션, 텍스처를 생성하는 환상적인 기술을 가지고 있지만 음악은 여전히 완전히 정적이거나 단순한 레이어 루프 (예 : Spore)입니다.
그래서 최적의 음악 생성 기법을 고민 해왔고, 다른 사람들이 무엇을 염두에두고 있는지 궁금합니다. 이전에 고려하지 않았더라도 무엇이 잘 작동 할 것이라고 생각하십니까? 답변 당 하나의 기술을 사용하고 가능한 경우 예제를 포함하십시오. 이 기술은 기존 데이터를 사용하거나 아마도 일종의 입력 (분위기, 속도 등)으로 처음부터 음악을 완전히 생성 할 수 있습니다.
답변:
Cellular Automata- 읽기 .
편집하다:
rakkarage는 다른 리소스를 제공했습니다. http://www.ibm.com/developerworks/java/library/j-camusic/
가장 성공적인 시스템은 여러 기술을 결합 할 가능성이 높습니다. 모든 장르의 음악에서 멜로디, 하모니, 리듬 및베이스 시퀀스 생성에 잘 맞는 기술을 찾을 수 있을지 의심됩니다.
예를 들어 마르코프 체인 은 멜로디 및 하모닉 시퀀스 생성에 적합합니다. 이 방법은 체인 전환 확률을 구축하기 위해 기존 노래를 분석해야합니다. Markov 체인의 진정한 아름다움은 주가 원하는대로 될 수 있다는 것입니다.
신경망 은 시계열 예측 (예측)에 적합합니다. 즉, 기존의 인기있는 멜로디 / 하모니에 대해 훈련 할 때 음악 시퀀스를 '예측'하는 데 똑같이 적합합니다. 최종 결과는 Markov 체인 접근 방식의 결과와 유사합니다. 메모리 풋 프린트를 줄이는 것 외에 Markov 체인 접근 방식에 비해 어떤 이점도 생각할 수 없습니다.
피치 외에도 생성 된 음 또는 코드의 리듬을 결정하기위한 기간이 필요합니다. 이 정보를 Markov 체인 상태 또는 신경망 출력에 통합하도록 선택하거나 별도로 생성하고 독립적 인 피치 및 기간 시퀀스를 결합 할 수 있습니다.
유전 알고리즘 을 사용하여 리듬 섹션을 발전시킬 수 있습니다. 간단한 모델은 처음 32 비트가 킥 드럼의 패턴을 나타내고, 두 번째 32 비트는 스네어, 세 번째 32 비트는 닫힌 하이햇 등을 나타내는 이진 염색체 를 사용할 수 있습니다 . 이 경우의 단점은 새로 진화 된 패턴의 적합성을 평가하기 위해 지속적인 인간 피드백이 필요하다는 것입니다.
전문가 시스템은 다른 기술에 의해 생성 된 서열을 확인하는 데 사용될 수있다. 이러한 유효성 검사 시스템에 대한 지식 기반은 좋은 음악 이론 책이나 웹 사이트에서 가져올 수 있습니다. Ricci Adams의 musictheory.net을 사용해보십시오 .
컴퓨터 음악과 알고리즘 구성의 역사에 익숙하지 않은 개발자들이 종종 간과하는 이러한 기술에 대한 50 년 이상의 연구가 있습니다. 이러한 문제를 해결하는 시스템 및 연구의 수많은 예는 여기에서 찾을 수 있습니다.
쉽고 다소 효과적인 알고리즘은 1 / f 노이즈 ( "핑크 노이즈"라고도 함)를 사용하여 스케일에서 지속 시간과 음표를 선택하는 것입니다. 이것은 일종의 음악처럼 들리며 좋은 출발점이 될 수 있습니다.
더 나은 알고리즘은 "markov chains"를 사용하는 것입니다. 몇 가지 예제 음악을 스캔하고 확률 표를 만듭니다. 가장 간단한 경우에는 C가 A를 따를 가능성이 20 % 일 것입니다.이를 개선하려면 지난 몇 개의 음표의 순서를 살펴보십시오. 예를 들어 "CA B"는 15 % 뒤에 B가 올 가능성이 있습니다. 4 % 뒤에 Bb 등이 올 가능성이 있습니다. 그런 다음 이전에 선택한 노트의 확률을 사용하여 노트를 선택합니다. 이 놀랍도록 간단한 알고리즘은 꽤 좋은 결과를 생성합니다.
Dmitri Tymoczko는 여기에 몇 가지 흥미로운 아이디어와 예가 있습니다.
http://music.princeton.edu/~dmitri/whatmakesmusicsoundgood.html
내 소프트웨어 는 응용 진화론을 사용하여 음악을 "성장"시킵니다. 이 과정은 Richard Dawkins의 The Blind Watchmaker 프로그램 과 비슷합니다. MusiGenesis는 음악적 요소를 무작위로 추가 한 다음 사용자가 추가 된 각 요소를 유지할지 여부를 결정합니다. 아이디어는 당신이 좋아하는 것을 유지하고 옳지 않은 것은 버리고 그것을 사용하기 위해 음악 교육을받을 필요가 없습니다.
인터페이스가 나빠졌지만 오래되었습니다. 저를 고소하세요.
나는 항상 iMuse 시스템을 사용하는 오래된 Lucasarts 게임을 좋아했습니다.이 게임은 끝없이 반응하는 사운드 트랙을 만들어 내고 매우 음악적이었습니다 (대부분은 여전히 작곡가가 만들었 기 때문입니다). 여기에서 사양 (특허 포함)을 찾을 수 있습니다. http://en.wikipedia.org/wiki/IMUSE
Nintendo는 iMuse와 유사한 접근 방식을 사용하여 즉석에서 음악을 만들거나 영향을 미치는 유일한 회사 인 것 같습니다.
당신의 프로젝트가 매우 실험적이지 않다면 나는 작곡가의 사용을 포기하지 않을 것입니다. 실제 인간 작곡가는 산술보다 훨씬 더 음악적이고 듣기 좋은 결과를 만들어 낼 것입니다.
시를 쓰는 것과 비교 해보자 : 아주 전위적인 소리를내는 무의미한시를 쉽게 만들 수 있지만, 산술로 셰익스피어를 복제하는 것은 어렵고, 가볍게 표현하기는 어렵다.
SoundHelix (http://www.soundhelix.com)를 살펴 보셨습니까? 매우 깔끔한 음악을 생성하는 알고리즘 무작위 음악 제작을위한 오픈 소스 Java 프레임 워크입니다. SoundHelix를 독립 실행 형 응용 프로그램, 웹 페이지에 포함 된 애플릿, JNLP 기반 애플릿으로 사용하거나 자체 Java 프로그램에 포함시킬 수 있습니다.
SoundHelix로 생성 된 예제는 http://www.soundhelix.com/audio-examples 에서 찾을 수 있습니다 .
지루하지 않은 절차 적 음악 생성에 대한 연구는 과거로 거슬러 올라갑니다. Computer Music Journal http://www.mitpressjournals.org/cmj (실제 도메인 이름이 없습니까?) 의 이전 및 새 문제를 찾아보십시오. 여기에는 음악 합성 땜장이, 납땜 인두 기수, 비트 목동 자 및 학술 연구자에게 실제로 사용되는 심각한 기술 기사가 있습니다. 그것은 당신이 주요 서점에서 찾을 수있는 몇몇 잡지와 같은 푹신한 리뷰와 인터뷰 넝마가 아닙니다.
너무 큰 주제입니다. morganpackard.com에서 내 iPad 앱, Thicket 또는 Ripple 소프트웨어를 살펴볼 수 있습니다. 제 경험상, 다이나믹 한 음악 생성에 대한 대부분의 학문적 접근 방식은 학문적으로 들리는 것들이 나옵니다. 클럽 / 일렉트로니카 세계의 변두리에서 더 성공적인 것들이 발견되었다고 생각합니다. Monolake는이 점에서 나의 영웅입니다. 매우 듣기 좋은 것, 매우 많은 컴퓨터 생성. 내 음악도 나쁘지 않습니다. Paul Lansky의 "Alphabet Book"은 특히 그가 학업적인 사람이라는 점을 고려할 때 매우 듣기 좋은 알고리즘 음악의 좋은 예입니다.
제가 고려한 기술은 바 정도까지 작은 음악 패턴을 만드는 것입니다. 이러한 패턴에 '흥분', '강렬함'등의 느낌 식별자를 태그합니다. 상황에 맞는 음악을 생성하려면 이러한 태그를 기반으로 몇 가지 패턴을 선택하고 연주 할 악기를 선택합니다. 악기를 기반으로 패턴을 결합하는 방법을 파악한 다음 (예 : 피아노에서는 핸드 스팬에 따라 모두 함께 연주 할 수 있고 기타에서는 빠르게 연속적으로 음을 연주 할 수 있음)이를 PCM으로 렌더링합니다. . 또한 키 변경, 속도 변경, 효과 추가 등을 할 수 있습니다.
90 년대 후반에 Microsoft는 "Interactive Music Control"이라고하는 ActiveX 컨트롤을 만들었습니다. 불행히도 그들은 프로젝트를 포기한 것 같습니다.
당신이 원하는 것은 아니지만, Content Based Music Similarity 라는 DJ 세트를 자동으로 생성하는 것을 본 사람을 알고있었습니다 .
음악이 어떻게 어울리는 지에 대한 더 깊은 이론을 알고 있다면 Bill Sethares 사이트 에 흥미로운 변형이 있습니다.
저는 코펜하겐 대학의 "프로그래밍 언어 이론 및 실습"연구 그룹의 "8.1 " 프로젝트 제안을 검토했습니다 . CS 부서 :
8.1 음악 코포 라의 자동 수확 및 통계 분석
악보의 전통적인 분석은 한 곡의 리듬, 코드 시퀀스 및 기타 특성을 분석하는 한 명 이상의 사람으로 구성되며, 같은시기의 다른 작곡가 나 같은 작곡가가 다른 곡을 모호하게 비교하는 맥락에서 설정됩니다.
전통적인 자동 음악 분석은 악보를 거의 다루지 않았지만 신호 분석과 기계 학습 기술을 사용하여 예를 들어 분위기 또는 장르 내에서 추출하고 분류하는 데 중점을 두었습니다. 반대로 DIKU의 초기 연구는 악보 분석의 일부를 자동화하는 것을 목표로합니다. 부가가치는 손으로 쉽게 할 수없고 기계 학습 기술로 의미있게 분석 할 수없는 대량의 악보에서 정보를 추출 할 수있는 잠재력입니다.
이것은-내가보기에-당신의 질문과 반대 방향으로, 생성 된 데이터는-제 생각에-음악의 절차 적 생성의 경우에 사용될 수 있습니다.
제 생각에는 제 너러 티브 음악은 엄격한 선택 과정을 거쳐야만 작동합니다. 알고리즘 음악의 선구자 인 David Cope는 자신의 알고리즘 (대부분 Markov Chain 기반이라고 생각 함)에서 몇 시간 동안 음악 출력을 통해 실제로 잘 나온 몇 가지를 골라 냈습니다.
이 선택 과정은 특정 음악 스타일의 특성을 모델링함으로써 자동화 될 수 있다고 생각합니다. 예를 들어, "디스코"스타일은 백 비트에 스네어가있는 색다른 비트와 드럼 파트를 특징으로하는베이스 라인에 대해 많은 점수를 부여하지만 심하게 불협화음 인 하모니에 대해서는 포인트를 뺍니다.
사실 음악 작곡 과정은 관용적 관습으로 가득 차서 분야에 대한 특별한 지식 없이는 모델링하기가 매우 어렵습니다.
저는 절차 음악을위한 Python 모듈을 작업하고 있습니다. 방금 음표, 스케일 및 코드 구성에 대해 알고있는 내용을 프로그래밍 한 다음 이러한 제약 조건에서 무작위로 콘텐츠를 생성하도록 할 수있었습니다. 나는 특히 주제를 더 잘 이해하는 사람이 가르 칠 수있는 것과 같은 시스템에 더 많은 이론과 패턴이 있다고 확신합니다. 그런 다음 이러한 시스템을 유전 알고리즘 또는 무작위 콘텐츠 생성을위한 제약 조건으로 사용할 수 있습니다.
여기 에서 내 구현을 살펴볼 수 있습니다. 에서 살펴볼 수 있습니다. 특히 무작위로 생성 된 리드 예제가 유용 할 수 있습니다. 코드 진행에 대한 확실한 이해가있는 사람은 이와 같은 기술로 노래 구조를 만들고 이와 같은 제한된 무작위 멜로디를 구현할 수 있습니다. 음악 이론에 대한 나의 지식은 그렇게까지 확장되지 않습니다.
그러나 기본적으로 생성하려는 음악 종류의 이론을 인코딩 한 다음 해당 이론의 범위를 절차 적으로 탐색하기위한 일부 알고리즘의 제약 조건으로 사용해야합니다.