基于卷积神经网络的音符级钢琴音乐转录方法研究

传统的音乐转录研究中还没有能够在一个音符的时值上给出一个完整的估计,采用一种特殊的网络结构面积与卷积循环神经网络的端到端识别可以有效地解决这个问题。实验表明,采用该方法比传统的转录方法在两个数据集上的准确率分别提高了40.33%和30.89%。

人工智能在钢琴普及性教育中的应用研究

钢琴教育近年来在我国越来越受到重视,如何能够更有针对性的进行教学,提高学生日常练习的效率成为钢琴普及性教育中亟待解决的问题。本文通过利用人工神经网络对习琴者所弹曲目与原曲目进行比对,并对习琴者的演奏指法进行识别,指出练习过程中出现的问题。通过人工智能技术加以分析处理并给出针对钢琴练习的指导性意见,从而使习琴者能够更有针对性的解决练琴过程中的问题,提高练习效率。

人工智能语义分割技术在钢琴教育中的应用研究

目前,素质教育越来越被重视,作为素质教育代表的音乐教育也越来越被关注,但是音乐教育却极大受限于人工教育资源。人工智能在音乐教育中的辅助,从计算机的角度讲就是信号类型转换的过程。例如对于学者弹琴,需要将钢琴的信号转换特定的数字信号与真实的谱子进行对比纠错,从而识别错音、错节奏的现象并实时校正。这一规范技术过程被称为自动音乐转录AMT (Automatic Music Transcription)。本文采用谐波常数Q变换、CFP等不同的音乐数字特征表示方法,将原始的音乐信号转换为频谱图,作为网络结构的特征输入,改进了语义分割模型DeepLabv3+,融合了U-Net的U型结构对多乐器音乐进行转录,该算法在钢琴音乐MPAS数据集上达到了良好的识别效果。

钢琴音乐的组合频谱特征表示研究

钢琴教育作为素质教育的代表性种类,日益普及。人工智能在语音识别领域有了全新的发展,钢琴教育也在将从中受益。使广大的钢琴学习者在人工智能的帮助下进行有指导的钢琴练习,是很有研究意义的问题。利用人工智能解决钢琴教育的智能化陪练问题,实际是将学习者演奏钢琴的音频信号转化成数字信号和真实的数字信号进行对比的过程,包括音级识别、自动音乐转录AMT。本文提出了一种组合频率和周期的多重特征表示方法作为音乐数据的特征表示,采用多特征的表示方法的识别效果往往优于单一频谱特征的表示。