1.本发明涉及计算机技术领域，尤其涉及一种音乐生成方法和装置。


背景技术：

2.随着人们娱乐活动如游戏、短视频、动图视频的多样化，背景音乐的需求量越来越大。目前，音乐主要通过人工创作。其中，人工创作基于音乐人长期的知识积累及灵感创意爆发并通过传统乐器(包含电子乐器)创作并发布。
3.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
4.现有的这种人工创作的方式，音乐创作数量有限，万能不能满足市场对音乐的需求。


技术实现要素：

5.有鉴于此，本发明实施例提供一种音乐生成方法和装置，能够快速大批量根据定制需求生成约定时长、风格场景的音乐作品。
6.为实现上述目的，根据本发明实施例的一个方面，提供了一种音乐生成方法，包括：
7.获取多个风格标签，并将所述多个风格标签转换为风格向量指标；
8.将所述风格向量指标和从和弦进行数据库中随机选择的和弦进行，输入预先训练好的深度学习模型，生成音乐旋律的属性；
9.根据所述音乐旋律的属性，配置多个乐器；
10.基于所述音乐旋律的属性，控制所述多个乐器之间配合，生成音乐作品。
11.优选地，
12.所述音乐旋律的属性包括：音符、音调、音高、音量以及时长中的任意一种或多种信息。
13.优选地，所述生成音乐旋律的属性，包括：
14.生成音乐主旋律的属性；
15.将所述音乐主旋律的属性、所述风格向量指标和选择出的所述和弦进行，再次输入预先训练好的所述深度学习模型中，生成音乐辅旋律的属性。
16.优选地，配置多个乐器，包括：
17.分别根据所述音乐主旋律的属性和所述辅旋律的属性，配置对应的乐器。
18.优选地，音乐生成方法，进一步包括：
19.通过标注有和弦进行的歌曲样本以及对应的风格标签，训练深度学习模型。
20.优选地，所述训练深度学习模型，包括：
21.所述深度学习模型包括：深度学习编码器和深度学习解码器；
22.所述深度学习编码器接收标注有和弦进行的歌曲样本以及对应的风格标签；
23.所述深度学习编码器将所述标注有和弦进行的歌曲样本以及对应的风格标签转
换为内在语义表示，并发送给所述深度学习解码器；
24.所述深度学习解码器将所述内在语义表示转换为歌曲样本的音乐旋律的预测属性；
25.基于所述歌曲样本的音乐旋律的预测属性以及存储的所述歌曲样本的音乐旋律的真实属性，更新所述深度学习模型。
26.优选地，更新所述深度学习模型，包括：
27.基于所述歌曲样本的音乐旋律的预测属性以及存储的歌曲样本的音乐旋律的真实属性，计算损失；
28.根据所述损失，更新所述深度学习模型的参数。
29.优选地，音乐生成方法，进一步包括：
30.对所述音乐作品进行修饰和优化。
31.第二方面本发明实施例提供一种音乐生成装置，包括：
32.获取模块，用于获取多个风格标签，并将所述多个风格标签转换为风格向量指标；
33.旋律生成模块，用于将所述风格向量指标和从和弦进行数据库中随机选择的和弦进行，输入预先训练好的深度学习模型，生成音乐旋律的属性；
34.音乐处理模块，用于根据所述音乐旋律的属性，配置多个乐器；基于所述音乐旋律的属性，控制所述多个乐器之间配合，生成音乐作品。
35.优选地，音乐生成装置，进一步包括：
36.训练模块，用于通过标注有和弦进行的歌曲样本以及对应的风格标签，训练深度学习模型。
37.优选地，
38.训练模块，用于通过所述深度学习模型包括的深度学习编码器接收标注有和弦进行的歌曲样本以及对应的风格标签；并通过所述深度学习编码器将所述标注有和弦进行的歌曲样本以及对应的风格标签转换为内在语义表示，并发送给所述深度学习解码器；通过所述深度学习解码器将所述内在语义表示转换为歌曲样本的音乐旋律的预测属性；基于所述歌曲样本的音乐旋律的预测属性以及存储的所述歌曲样本的音乐旋律的真实属性，更新所述深度学习模型。
39.上述发明中的一个实施例具有如下优点或有益效果：通过将风格标签转换成的风格向量指标以及随机选择的和弦进行，输入预先训练好的深度学习模型，生成音乐旋律的属性，然后根据音乐旋律的属性，配置多个乐器；基于音乐旋律的属性，控制多个乐器之间配合，生成音乐作品，即训练好的深度学习模型，通过风格标签和随机选择的和弦进行即可得到音乐作品，可快速大批量根据定制需求生成约定时长、风格场景的音乐作品。从而降低音乐使用成本。
40.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
41.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
42.图1是根据本发明实施例的音乐生成的方法的主要流程的示意图；
43.图2是根据本发明实施例的生成音乐旋律的属性的主要流程的示意图；
44.图3是根据本发明实施例的训练深度学习模型的主要流程的示意图；
45.图4是根据本发明实施例的训练深度学习模型的主要流程的示意图；
46.图5是根据本发明实施例的音乐生成的装置的主要模块的示意图；
47.图6是本发明实施例可以应用于其中的示例性系统架构图；
48.图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
49.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
50.图1是根据本发明实施例的一种音乐生成方法，如图1所示，该音乐生成方法可包括如下步骤：
51.步骤s101：获取多个风格标签，并将多个风格标签转换为风格向量指标；
52.步骤s102：将风格向量指标和从和弦进行数据库中随机选择的和弦进行，输入预先训练好的深度学习模型，生成音乐旋律的属性；
53.步骤s103：根据音乐旋律的属性，配置多个乐器；
54.步骤s104：基于音乐旋律的属性，控制多个乐器之间配合，生成音乐作品。
55.其中，风格标签主要用于表征音乐的风格、音乐的应用场景或主题等，比如音乐的风格为清新放松、轻松、愉快、抒情、欢快、激情等，音乐的应用场景或主题为游戏、短视频、线下门店，比如在该步骤中获取到的风格标签包括：清新放松和小游戏。清新放松类风格轻松、愉快、轻音乐效果，以抒情类，慢节奏的流行歌曲为主，主要倾向于短视频、线下门店、放松场景背景音乐配乐循环播放。小游戏类风格欢快、激情、歌曲以节奏较快，节奏感较强的伴奏或者流行歌曲为主，倾向于泛娱乐sns互动分享小程序、线上游戏、快节奏视频背景配乐。在该步骤中风格标签可任意定义，以满足用户不同需求。
56.步骤s101中获取风格标签可以为接收客户端或终端发送的风格标签，也可以为直接获取用户输入的风格标签等。
57.其中，风格向量指标是指将风格标签转换为计算机能够识别的语义向量，该风格标签对应的语义向量是计算机对风格标签的内在表示，该将多个风格标签转换为风格向量指标可选用现有的语义向量转换方式实现。比如，选择深度学习神经网络常用的语义向量转换方式，if
‑
idf向量、词向量、word2ve等方式。
58.其中和弦进行是由专业音乐家对歌曲进行标注出的歌曲的和弦进行，即每个和弦的名称以及在歌曲中的起止时间等。比如，下述两段的和弦进行，分别为c大调和a小调。在发明实施例中，和弦进行作为系统的一个输入，来主要决定生成的音乐的旋律。
59.和弦进行(c大调)：
60.1、c
‑
am
‑
f
‑
g；2、c
‑
g
‑
am
‑
f；3、c
‑
g
‑
am
‑
(g,em,c/g)
‑
f
‑
(c,em)
‑
(f,dm)
‑
g；4、f
‑
g
‑
em
‑
am
‑
(f,dm)
‑
g
‑
c
‑
(c,c7)；5、c
‑
g
‑
am
‑
em
‑
f
‑
g
‑
c
‑
c；6、c
‑
f
‑
c
‑
g；该1～6为c大调的各个和弦进
行。
61.和弦进行(a小调)：
62.1、am
‑
em
‑
f
‑
c
‑
dm
‑
am
‑
(bdim,dm,f)
‑
(e,g)；2、(am
‑
)dm
‑
g
‑
c
‑
f
‑
bdim
‑
e
‑
am(
‑
a7)；3、am
‑
em
‑
f
‑
c
‑
dm
‑
e
‑
am
‑
am；4、am
‑
g
‑
f
‑
(em,e)
‑
dm
‑
c
‑
(bdim,dm,f)
‑
e；5、am
‑
c
‑
f
‑
g；6、am
‑
f
‑
c
‑
g；7、am
‑
dm
‑
am
‑
e；8、c
‑
g
‑
am
‑
em
‑
f
‑
g
‑
am
‑
am。该1～8为a小调的和弦进行。
63.其中，音乐旋律的属性可包括：音符、音调、音高、音量以及时长中的任意一种或多种信息。比如，音乐旋律中一个和弦的属性：和弦属性：1＝c；c，即1级和弦；dm,即2级和弦；em,即3级和弦；f,即4级和弦；g,即5级和弦；am,即6级和弦；bdim,即7级和弦；
64.其中，步骤s103的具体实施方式可包括：预先构建音乐旋律的属性与乐器之间的对应关系，那么在得到音乐旋律的属性，可以根据该对应关系，得到音乐旋律的属性对应的多个乐器。
65.其中，步骤s104中控制多个乐器之间配合主要空时乐器的音调、开始时间、结束时间等。
66.音乐旋律是一首歌的首要要素，它由一系列的具有特定音高、时长和音量的音符组成。因此，本技术通过音乐旋律的属性，得到音乐作品，使音乐作品更加贴合人工创作。
67.通过将风格标签转换成的风格向量指标以及随机选择的和弦进行，输入预先训练好的深度学习模型，生成音乐旋律的属性，然后根据音乐旋律的属性，配置多个乐器；基于音乐旋律的属性，控制多个乐器之间配合，生成音乐作品，即训练好的深度学习模型，通过风格标签和随机选择的和弦进行即可得到音乐作品，即利用人工智能技术开发实现音乐旋律的属性、和弦、乐器配合等，创作出音乐。因此，可快速大批量根据定制需求生成约定时长、风格场景的音乐作品。从而降低音乐使用成本。
68.进一步的，由于音乐比较容易得到，有利于背景音乐的普及。降低短视频、线上互动游戏以及线下门店等场景背景音乐使用门槛。
69.另外，利用本发明实施例提供的人工智能方式生成音乐可大大降低购买版权及音乐人创作的费用，增强用户购买音乐的意愿，进而推动用户知识产权意识，降低使用盗版音乐侵权风险。
70.另外，本发明实施例提供的人工智能方式生成音乐，比较贴合人工创作，其可用于音乐人的再加工创作，利用低成本版权音乐加工创作自己拥有著作权的新的音乐作品。降低音乐人创作成本。
71.在本发明实施例中，如图2所示，生成音乐旋律的属性可包括如下步骤：
72.步骤s201：生成音乐主旋律的属性；
73.步骤s202：将音乐主旋律的属性、风格向量指标和选择出的和弦进行，再次输入预先训练好的深度学习模型中，生成音乐辅旋律的属性。
74.一首音乐包括主旋律和辅旋律，即一首音乐一般包含了诸多的乐器进行的合奏，比如鼓，小提琴，吉他，钢琴等等。在本发明实施例中，首先确定或生成音乐主旋律，在音乐主旋律确定以后，再确定辅旋律。通过主旋律与辅旋律分开得到，可使生成的音乐的乐谱更加清晰。
75.在本发明实施例中，配置多个乐器可包括：分别根据音乐主旋律的属性和辅旋律的属性，配置对应的乐器。比如，一首音乐的主旋律的属性对应的乐器为钢琴，辅旋律的属
性对应的乐器为鼓，小提琴，吉他等。
76.在本发明实施例中，音乐生成方法可进一步包括：通过标注有和弦进行的歌曲样本以及对应的风格标签，训练深度学习模型。
77.该歌曲样本的和弦进行以及风格标签是由人工标注的。
78.在本发明实施例中，如图3和图4所示，训练深度学习模型可包括如下步骤包括：
79.步骤s301：深度学习编码器接收标注有和弦进行的歌曲样本以及对应的风格标签；
80.步骤s302：深度学习编码器将标注有和弦进行的歌曲样本以及对应的风格标签转换为内在语义表示，并发送给深度学习解码器；
81.步骤s303：深度学习解码器将内在语义表示转换为歌曲样本的音乐旋律的预测属性；
82.步骤s304：基于歌曲样本的音乐旋律的预测属性以及存储的歌曲样本的音乐旋律的真实属性，更新深度学习模型。
83.在本发明实施例中，更新深度学习模型可包括：基于歌曲样本的音乐旋律的预测属性以及存储的歌曲样本的音乐旋律的真实属性，计算损失；根据损失，更新深度学习模型的参数。
84.其中，计算损失可通过损失函数计算得到。一个优选地实施例中，该损失函数选用交叉熵损失函数。本领域技术人员可基于交叉熵损失函数得到本发明实施例提供的方案。即本发明实施例选用交叉熵损失函数将输出的音乐旋律的属性转换为分类问题，能够更好地降低输出结果的损失，从而训练出比较准确的深度学习模型。
85.如图4所示，深度学习模型可包括：深度学习编码器和深度学习解码器；其中，深度学习编码器由一层或者多层长短记忆网络(long short term memory)组成。深度学习解码器也可有一层或者多层lstm组成。一个优选地实施例中，深度学习编码器由2层双向lstm组成。一个优选地实施例中，深度学习解码器由两层lstm层和1层全连接层组成。其中，lstm为现有的标准的lstm结构，包括输入门、遗忘门等组件。在本发明一个实施例中，深度学习解码器和深度学习编码器之间也可以用现有的注意力机制(attention)连接。
86.将和弦进行和风格标签输入到深度学习编码器中，深度学习编码器将和弦进行和风格标签转换为语义向量的内在表示，并传输给深度学习解码器；深度学习解码器输出音乐主旋律的内在表示，该音乐主旋律的内在表示可进一步转换成能够被用户识别的音乐主旋律的属性；另外，深度学习解码器进一步结合音乐主旋律的内在表示以及深度学习编码器传输的语义向量的内在表示，输出音乐辅旋律的内在表示，该音乐辅旋律的内在表示可进一步转换成能够被用户识别的音乐辅旋律的属性。
87.进一步的，通过将音乐主旋律的属性、音乐辅旋律的属性与训练数据中的歌曲样本的主旋律的属性以及辅旋律的属性(即和弦进行数据库中存储的歌曲样本的主旋律音符序列以及辅旋律音符序列)代入损失函数中，得到损失，然后通过梯度回传来更新模型参数，达到训练目的。即实现根据该损失调整深度学习模型的参数。
88.综上，音乐主旋律内在表示是深度学习解码器的输出，经过线性变换(或者非线性变换)之后的数据。它代表了旋律的音符、或者旋律音符的时长等信息，但是还不是音符的形式。深度学习模型输出的是由深度神经网络预测出来的音乐主旋律和/或音乐辅旋律的
音符、音符的时长、音符的力度等属性。比如，音乐主旋律的属性指示钢琴演奏，音乐辅旋律的属性对应的乐器作为音乐主旋律对应的乐器的合奏乐器。
89.另外，由于下一步工作就是确定各个乐器之间的配合，以及通过伴奏对旋律的润色。那么，音乐辅旋律的属性和音乐主旋律的属性对于乐器之间的配合具有很重要的影响。
90.在本发明实施例中，音乐生成方法可进一步包括：对音乐作品进行修饰和优化。实现对音乐作品的润色以及完善，以更好地满足用户需求。
91.综上可知，本发明实施例提供的方案主要由两部分构成，第一部分为模型训练部分，第二部分为利用训练好的模型生成音乐的部分。一般模型训练部分为预先完成的，而在每一次生成音乐时，只需要调用已经训练好的模型即可。训练好的模型在使用一段时间后，可进一步增加训练用的歌曲样本进一步更新模型参数，以进一步提高模型的准确性。
92.如图5所示，本发明实施例提供一种音乐生成装置500，该音乐生成装置500可包括：
93.获取模块501，用于获取多个风格标签，并将多个风格标签转换为风格向量指标；
94.旋律生成模块502，用于将风格向量指标和从和弦进行数据库中随机选择的和弦进行，输入预先训练好的深度学习模型，生成音乐旋律的属性；
95.音乐处理模块503，用于根据音乐旋律的属性，配置多个乐器；基于音乐旋律的属性，控制多个乐器之间配合，生成音乐作品。
96.在本发明实施例中，旋律生成模块502，用于生成音乐主旋律的属性；将音乐主旋律的属性、风格向量指标和选择出的和弦进行，再次输入预先训练好的所述深度学习模型中，生成音乐辅旋律的属性。
97.在本发明实施例中，音乐处理模块503，用于分别根据音乐主旋律的属性和辅旋律的属性，配置对应的乐器。
98.在本发明实施例中，音乐生成装置500可进一步包括：训练模块504，用于通过标注有和弦进行的歌曲样本以及对应的风格标签，训练深度学习模型。
99.在本发明实施例中，训练模块504，用于通过深度学习模型包括的深度学习编码器接收标注有和弦进行的歌曲样本以及对应的风格标签；并通过深度学习编码器将标注有和弦进行的歌曲样本以及对应的风格标签转换为内在语义表示，并发送给深度学习解码器；通过深度学习解码器将内在语义表示转换为歌曲样本的音乐旋律的预测属性；基于歌曲样本的音乐旋律的预测属性以及存储的歌曲样本的音乐旋律的真实属性，更新深度学习模型。
100.在本发明实施例中，训练模块504，用于基于歌曲样本的音乐旋律的预测属性以及存储的歌曲样本的音乐旋律的真实属性，计算损失；根据损失，更新深度学习模型的参数。
101.在本发明实施例中，音乐处理模块503，用于对音乐作品进行修饰和优化。
102.值得说明的是，音乐生成装置可以应用于终端，也可以应用于服务端。
103.图6示出了可以应用本发明实施例的音乐生成方法或音乐生成装置的示例性系统架构600。
104.如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
105.用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。比如，终端设备601、602、603通过网络604向服务器605发送风格标签，并接收服务器605发送的音乐作品。终端设备601、602、603上可以安装有与服务器交互的应用、音乐生成应用网页浏览器应用等(仅为示例)。
106.终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
107.服务器605可以是提供各种服务的服务器，例如支持训练模型、存储训练数据、基于用户利用终端设备601、602、603所发送的风格标签提供音乐生成的后台管理服务器(仅为示例)。后台管理服务器可以对获取到的音乐标签、和弦进行等数据进行分析等处理，并将处理结果(例如音乐作品、训练好的深度学习模型
‑‑
仅为示例)反馈给终端设备。
108.需要说明的是，本发明实施例所提供的音乐生成方法一般由服务器605执行，相应地，音乐生成装置一般设置于服务器605中。
109.应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
110.下面参考图7，其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统700的结构示意图。图7示出的终端设备或服务器仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
111.如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram 703中，还存储有系统700操作所需的各种程序和数据。cpu 701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
112.以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
113.特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。
114.需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储
器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
115.附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
116.描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、旋律生成模块以及音乐处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取多个风格标签，并将多个风格标签转换为风格向量指标的模块”。
117.作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取多个风格标签，并将多个风格标签转换为风格向量指标；将风格向量指标和从和弦进行数据库中随机选择的和弦进行，输入预先训练好的深度学习模型，生成音乐旋律的属性；根据音乐旋律的属性，配置多个乐器；基于音乐旋律的属性，控制多个乐器之间配合，生成音乐作品。
118.根据本发明实施例的技术方案，通过将风格标签转换成的风格向量指标以及随机选择的和弦进行，输入预先训练好的深度学习模型，生成音乐旋律的属性，然后根据音乐旋律的属性，配置多个乐器；基于音乐旋律的属性，控制多个乐器之间配合，生成音乐作品，即训练好的深度学习模型，通过风格标签和随机选择的和弦进行即可得到音乐作品，可快速大批量根据定制需求生成约定时长、风格场景的音乐作品。从而降低音乐使用成本。
119.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围
之内。