本技術(shù)涉及演奏音樂的生成領(lǐng)域，尤其涉及一種演奏音樂的生成方法、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著數(shù)字音樂技術(shù)和人工智能的發(fā)展，風(fēng)格化演奏模型逐漸成為音樂科技領(lǐng)域的一個(gè)熱點(diǎn)。這些模型通過分析和理解紙質(zhì)或電子格式的曲譜信息，模仿特定音樂家的演奏風(fēng)格或者特定音樂流派的特點(diǎn)，為用戶提供獨(dú)特的音樂體驗(yàn)。

2、例如，專利申請(qǐng)公布號(hào)為cn113936625a的發(fā)明專利申請(qǐng)，公開了一種模擬音樂家風(fēng)格自動(dòng)演奏系統(tǒng)及方法，其中系統(tǒng)包括存儲(chǔ)模塊、處理模塊和交互模塊，所述處理模塊用于將存儲(chǔ)模塊存儲(chǔ)的樂曲數(shù)據(jù)，通過機(jī)器學(xué)習(xí)訓(xùn)練生成對(duì)應(yīng)不同音樂家的演奏風(fēng)格模型；根據(jù)交互模塊傳輸?shù)闹付ㄒ魳芳倚畔⒉樵儗?duì)應(yīng)的演奏風(fēng)格模型，輸入指定樂曲，輸出模擬演奏的樂曲，從而實(shí)現(xiàn)自動(dòng)演奏。

3、專利申請(qǐng)公布號(hào)為cn111554255a的發(fā)明專利申請(qǐng)，公開了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的midi演奏風(fēng)格自動(dòng)轉(zhuǎn)換系統(tǒng)，包括midi分析模塊、數(shù)據(jù)預(yù)處理模塊、自編碼器模塊、風(fēng)格網(wǎng)絡(luò)模塊和樂曲生成模塊。其中，midi分析模塊讀取用戶輸入，將多音軌midi合并為單音軌midi，作為樂譜；數(shù)據(jù)預(yù)處理模塊用于從樂譜中提取音符特征；自編碼器模塊將音符特征進(jìn)行編解碼；風(fēng)格網(wǎng)絡(luò)模塊學(xué)習(xí)樂譜的演奏風(fēng)格，并預(yù)測(cè)力度向量；樂曲生成模塊用于為樂譜配置風(fēng)格網(wǎng)絡(luò)模塊預(yù)測(cè)的力度向量，并轉(zhuǎn)換為富有表現(xiàn)力的樂曲。

4、然而，隨著音樂趨勢(shì)的不斷演變，靜態(tài)的風(fēng)格化演奏模型過于僵化，無法捕捉并適應(yīng)最新的音樂潮流，導(dǎo)致生成的音樂逐漸落后于時(shí)代，限制了其長期的應(yīng)用價(jià)值，降低了用戶體驗(yàn)。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種演奏音樂的生成方法、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)。為了解決上述所提到的技術(shù)問題，本技術(shù)具體采用以下技術(shù)方案：

2、本技術(shù)的第一方面在于，提供一種演奏音樂的生成方法，所述方法包括：

3、s101、獲取待演奏樂譜和演奏模型池，所述演奏模型池包括基準(zhǔn)模型和預(yù)設(shè)數(shù)量的風(fēng)格模型，且每個(gè)所述風(fēng)格模型關(guān)聯(lián)有風(fēng)格標(biāo)簽，所述風(fēng)格模型包括核心模型、探索模型；

4、s102、將所述待演奏樂譜輸入所述基準(zhǔn)模型，以生成基礎(chǔ)音樂數(shù)據(jù)；

5、s103、將所述基礎(chǔ)音樂數(shù)據(jù)分別輸入若干個(gè)所述風(fēng)格模型，以生成若干個(gè)目標(biāo)音樂數(shù)據(jù)；

6、s104、根據(jù)若干個(gè)所述目標(biāo)音樂數(shù)據(jù)生成每個(gè)所述風(fēng)格模型的反饋評(píng)分；基于第一迭代周期統(tǒng)計(jì)每個(gè)所述核心模型的綜合反饋評(píng)分；基于第二迭代周期統(tǒng)計(jì)每個(gè)所述探索模型的綜合反饋評(píng)分；其中，所述第一迭代周期大于所述第二迭代周期；

7、s105、當(dāng)任一所述風(fēng)格模型的綜合反饋評(píng)分持續(xù)低于預(yù)設(shè)評(píng)分閾值時(shí)，將對(duì)應(yīng)的風(fēng)格模型從所述演奏模型池中移除，并從模型緩存庫中導(dǎo)入替換風(fēng)格模型，以更新所述演奏模型池，所述模型緩存庫中儲(chǔ)存有預(yù)先訓(xùn)練的若干個(gè)風(fēng)格模型。

8、在一些實(shí)施例中，所述反饋評(píng)分包括第一評(píng)分和/或第二評(píng)分，所述方法包括：基于預(yù)設(shè)評(píng)分規(guī)則對(duì)每個(gè)所述風(fēng)格模型的目標(biāo)音樂數(shù)據(jù)進(jìn)行評(píng)分，得到每個(gè)所述風(fēng)格模型的第一評(píng)分；和/或，獲取用戶的行為反饋數(shù)據(jù)，并基于所述行為反饋數(shù)據(jù)生成每個(gè)所述風(fēng)格模型的第二評(píng)分。

9、在一些實(shí)施例中，所述方法還包括：基于綜合反饋評(píng)分確定若干個(gè)高分風(fēng)格模型，以及所述高分風(fēng)格模型歷史上輸出的歷史目標(biāo)音樂數(shù)據(jù)；基于不同風(fēng)格標(biāo)簽的至少兩個(gè)所述高分風(fēng)格模型和對(duì)應(yīng)的歷史目標(biāo)音樂數(shù)據(jù)，訓(xùn)練得到第一新增探索模型，將所述第一新增探索模型儲(chǔ)存至所述模型緩存庫；和/或，基于同一風(fēng)格標(biāo)簽的至少兩個(gè)所述高分風(fēng)格模型和對(duì)應(yīng)的歷史目標(biāo)音樂數(shù)據(jù)，訓(xùn)練得到第二新增探索模型，將所述第二新增探索模型儲(chǔ)存至所述模型緩存庫。

10、在一些實(shí)施例中，所述從模型緩存庫中導(dǎo)入替換風(fēng)格模型之前，還包括：根據(jù)被移除的風(fēng)格模型的風(fēng)格標(biāo)簽，統(tǒng)計(jì)所述演奏模型池內(nèi)對(duì)應(yīng)風(fēng)格標(biāo)簽的當(dāng)前模型總量；若所述當(dāng)前模型總量大于預(yù)設(shè)模型數(shù)量，將所述第一新增探索模型作為所述替換風(fēng)格模型；若所述當(dāng)前模型總量小于預(yù)設(shè)模型數(shù)量，將所述第二新增探索模型作為所述替換風(fēng)格模型。

11、在一些實(shí)施例中，所述風(fēng)格模型還包括常駐模型；所述方法還包括：基于第三迭代周期統(tǒng)計(jì)每個(gè)所述常駐模型的綜合反饋評(píng)分；當(dāng)從所述演奏模型池中移除的風(fēng)格模型為常駐模型時(shí)，將被移除的常駐模型存入歷史版本庫；從模型緩存庫中導(dǎo)入新增常駐模型，所述新增常駐模型是基于所述歷史目標(biāo)音樂數(shù)據(jù)訓(xùn)練所述歷史版本庫中的常駐模型得到的。

12、在一些實(shí)施例中，所述方法還包括：當(dāng)被移除的風(fēng)格模型為核心模型時(shí)，基于被移除的核心模型的風(fēng)格標(biāo)簽和各個(gè)探索模型的綜合反饋評(píng)分，從所述探索模型中選取目標(biāo)探索模型，將所述目標(biāo)探索模型更新為新增核心模型。

13、在一些實(shí)施例中，所述方法還包括：比較若干個(gè)所述目標(biāo)音樂數(shù)據(jù)，當(dāng)任意兩個(gè)所述目標(biāo)音樂數(shù)據(jù)相似度高于第一相似度閾值時(shí)，分別對(duì)應(yīng)的兩個(gè)風(fēng)格模型的第一歷史音樂數(shù)據(jù)、第二歷史音樂數(shù)據(jù)；若所述第一歷史音樂數(shù)據(jù)與所述第二歷史音樂數(shù)據(jù)的相似度高于第二相似度閾值時(shí)，將其中一個(gè)風(fēng)格模型從所述演奏模型資源庫中移除。

14、在一些實(shí)施例中，所述方法還包括：檢測(cè)若干個(gè)核心模型的綜合反饋評(píng)分的增長趨勢(shì)；當(dāng)?shù)谒念A(yù)設(shè)數(shù)量的綜合反饋評(píng)分的增長趨勢(shì)異常，重新訓(xùn)練所述基準(zhǔn)模型。

15、本技術(shù)的第二方面在于，提供一種計(jì)算機(jī)設(shè)備，所述設(shè)備包括：

16、存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；

17、處理器，用于執(zhí)行所述計(jì)算機(jī)程序并在執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如本技術(shù)任一實(shí)施例提供的演奏音樂的生成方法的步驟。

18、本技術(shù)的第三方面在于，還對(duì)應(yīng)地提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)使所述處理器如本技術(shù)任一實(shí)施例提供的演奏音樂的生成方法的步驟。

19、有益效果：

20、本技術(shù)提出了一種演奏音樂的生成方法、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，通過構(gòu)建動(dòng)態(tài)管理演奏模型池，結(jié)合反饋評(píng)分驅(qū)動(dòng)的差異化淘汰及進(jìn)化機(jī)制，在穩(wěn)固音樂質(zhì)量、保持風(fēng)格多樣化、高效探索創(chuàng)新的同時(shí)，避免演奏模型池內(nèi)的模型冗余或過時(shí)，實(shí)現(xiàn)演奏模型的長期自適應(yīng)維護(hù)。

21、該演奏模型池由基準(zhǔn)模型和風(fēng)格模型（包括核心模型、探索模型和常駐模型）組成，將音樂演奏的基礎(chǔ)生成與風(fēng)格遷移任務(wù)分離，基準(zhǔn)模型專責(zé)生成技術(shù)基礎(chǔ)數(shù)據(jù)，確保音樂生成的底層技術(shù)正確性；風(fēng)格模型則專注于風(fēng)格多樣化，實(shí)現(xiàn)不同風(fēng)格的精準(zhǔn)模擬，避免了基礎(chǔ)數(shù)據(jù)重復(fù)計(jì)算帶來的算力浪費(fèi)，并僅需更新風(fēng)格模型即可引入新的音樂風(fēng)格或優(yōu)化現(xiàn)有風(fēng)格表達(dá)，而無需重訓(xùn)基準(zhǔn)模型，提升了靈活性并有效節(jié)省算力資源。

22、進(jìn)一步地，演奏模型池中的不同類型的風(fēng)格模型各自承擔(dān)特定職責(zé)：核心模型用于維持高質(zhì)量、各風(fēng)格音樂的穩(wěn)定輸出；探索模型則用于嘗試新趨勢(shì)或融合現(xiàn)有高分模型特征，促進(jìn)風(fēng)格創(chuàng)新和性能提升；常駐模型用于特定經(jīng)典風(fēng)格的長期優(yōu)化，防止因算法迭代導(dǎo)致的經(jīng)典風(fēng)格流失。通過分工合作，演奏模型池不僅能覆蓋廣泛的演奏需求，還能在保證基礎(chǔ)體驗(yàn)的同時(shí)持續(xù)激發(fā)創(chuàng)新可能性。

23、此外，基于不同類風(fēng)格模型（核心模型、探索模型、常駐模型）的特性和功能靈活設(shè)定模型的淘汰與進(jìn)化機(jī)制，例如不同風(fēng)格模型的迭代周期不同、新模型的來源不同，這些差異化的設(shè)定可以形成良性的協(xié)同作用，使得不同階段中演奏模型池內(nèi)部的若干個(gè)模型均具有存在價(jià)值，保持演奏模型池中穩(wěn)定性與創(chuàng)新性的平衡，避免演奏模型池的內(nèi)容同質(zhì)化或者過時(shí)，長期自適應(yīng)地維護(hù)演奏模型池的活力。

24、具體地，核心模型使用低頻迭代周期進(jìn)行評(píng)估和更新，確保其生成的音樂數(shù)據(jù)保持高質(zhì)量和高滿意度，同時(shí)淘汰過時(shí)核心模型以繼承探索模型的創(chuàng)新成果，確保每個(gè)晉升為核心模型的探索模型都至少在一個(gè)較長的考驗(yàn)期中具有穩(wěn)定的高質(zhì)量評(píng)分。相反，探索模型采用高頻迭代周期，快速試錯(cuò)并捕捉新趨勢(shì)，保持模型池活力，并通過融合高評(píng)分模型特征，在降低算力消耗的同時(shí)保證了質(zhì)量。常駐模型專注于特定經(jīng)典風(fēng)格的長期維護(hù)，在保留經(jīng)典風(fēng)格的同時(shí)，能夠根據(jù)用戶偏好進(jìn)行適當(dāng)調(diào)整。進(jìn)一步的，當(dāng)大量核心模型的綜合反饋評(píng)分異常時(shí)也會(huì)觸發(fā)更新基準(zhǔn)模型。