[发明专利]一种MIDI多轨序列表示方法和应用

权利要求书

1.一种MIDI多轨序列表示方法，包括以下步骤：

解析MIDI文件，将MIDI文件中包含的MIDI消息拆分成音符演奏信息、音符停止信息、时间转移信息以及音色变换信息；

将音符演奏信息、音符停止信息、时间转移信息以及音色变换信息转换成小节序列，每个小节序列包含小节开始标示和多个小节内时间步序列，每个时间步序列包含依序排布的时间步标示、音轨标示以及音符标示；

其中，将一个小节分成32个时间步，根据音符演奏信息、音符停止信息、时间转移信息确定音符标示，根据音色变换信息确定音轨标示。

2.如权利要求1所述的MIDI多轨序列表示方法，其特征在于，所述音符标示至少包含3个音符属性，分别为音高信息、音长信息以及力度信息。

3.如权利要求2所述的MIDI多轨序列表示方法，其特征在于，所述音高包含128种，对应General MIDI中的128个音高表示。

4.如权利要求2所述的MIDI多轨序列表示方法，其特征在于，所述音长包含32种，分别对应一个音符跨度从1个时间步到32个时间步，且令音符跨度大于32个时间步的音长为第32种音长。

5.如权利要求1所述的MIDI多轨序列表示方法，其特征在于，所述音轨标示包含旋律、鼓、钢琴、弦乐、吉他和贝斯轨道。

6.一种基于深度学习模型的音乐生成方法，包括以下步骤：

利用权利要求1～5任意一项所述的MIDI多轨序列表示方法将原始MIDI音乐以小节序列为单位表示为音乐序列；

将音乐序列编码成向量后，将音乐序列中小节开始标示、时间步标示、音轨标示以及音符标示按照在音乐序列中的排列顺序，以每次输入一个标示的方式将标示对应的向量输入至训练好的音乐生成模型中，经计算输出标示概率分布，其中，所述音乐生成模型包含依次连接的长短时期记忆网络和分类器；

对每次输出的标示概率分布进行采样确定每次生成的新标示；

将每次生成的新标示按照生成顺序依次排出，形成生成音乐序列。

7.如权利要求6所述的基于深度学习模型的音乐生成方法，其特征在于，所述分类器采用softmax分类器。

8.如权利要求6所述的基于深度学习模型的音乐生成方法，其特征在于，所述音乐生成模型的训练过程为：

构建训练样本，将MIDI音乐按照权利要求1～5任意一项所述的MIDI多轨序列表示方法表示为音乐序列，将音乐序列中的每个标示向后移动一位，形成的新标示序列为训练样本；

利用训练样本中小节开始标示、时间步标示、音轨标示以及音符标示按照在新标示序列中的排列顺序，以每次输入一个标示的方式将标示对应的向量输入至所述音乐生成模型中，对所述音乐生成模型进行训练。