1.本发明涉及一种自动演奏系统及方法，尤其涉及一种模拟音乐家风格的自动演奏系统及方法。


背景技术：

2.目前的自动演奏系统中，一类系统主要基于固定的乐谱、乐曲，是没有情感处理纯机械演奏，只是将记录下来的音乐信息通过机械结构输出到钢琴的击弦机上发出固定时长、固定音高、固定力度的声音。
3.目前的自动演奏系统中，另一类系统使用的信号源主要依靠人工输入，即将演奏者所演奏的音符的起始时间，长度以及力度记录下来，再通过自动演奏系统中的硬件以及机械结构将演奏者所演奏的音乐复现出来。这样的自动演奏系统虽然含有音符强弱、抢拍脱拍等人因因素，但只能表现单一演奏者的风格以及情感。目前还没有可实现音乐家风格迁移的自动演奏系统。


技术实现要素：

4.发明目的：本发明提出一种可以模拟指定音乐家风格的自动演奏系统。本发明的另一目的在于提供基于该系统的自动演奏方法。
5.技术方案：本发明所述的模拟音乐家风格的自动演奏系统，包括：
6.存储模块，用于存储音乐家的乐曲数据；
7.处理模块，用于获取存储模块存储的乐曲数据，通过机器学习训练生成对应不同音乐家的演奏风格模型；根据交互模块传输的指定音乐家信息查询对应的演奏风格模型，输入指定乐曲，输出模拟演奏的乐曲；
8.交互模块，用于接收用户输入的指定乐曲、指定音乐家信息，传输给处理模块。
9.进一步地，存储模块中，所述乐曲数据包括对应同一音乐家的成对的标准midi乐曲、真实midi乐曲数据。
10.进一步地，该系统还包括用于播放模拟演奏的乐曲的音频播放设备，所述音频播放设备与自动演奏装置中的处理模块连接。
11.进一步地，该系统还包括：
12.控制模块，用于获取模拟演奏的乐曲，控制驱动模块演奏乐器；
13.驱动模块，用于控制乐器演奏模拟演奏的乐曲；
14.电源，用于给系统中的其他模块提供电力。
15.进一步地，所述标准midi乐曲包括：由乐谱数据直接转录而成的midi数据、互联网上已存的midi数据。
16.进一步地，所述标准midi乐曲包括：没有力度变化的一组midi数据、音符已被量化的一组midi数据、有绝对走带速度的一组midi数据。
17.进一步地，所述真实midi乐曲数据为指定钢琴家演奏的与所述标准midi乐曲曲目
相同的midi乐曲数据。
18.进一步地，所述乐曲数据附有标签，所述标签包括以下至少一种：曲目名称标签、作曲家标签、编曲者标签、整理者标签、出版年代标签、音乐体裁标签、作曲风格标签、速度标签、表情记号标签、踏板标签。
19.本发明所述的模拟音乐家风格的自动演奏方法，其特征在于，包括：
20.(1)处理模块获取存储模块存储的乐曲数据，通过机器学习训练生成对应不同音乐家的演奏风格模型；
21.(2)交互模块接收用户输入的指定乐曲、指定音乐家信息；
22.(3)处理模块根据指定音乐家信息查询该音乐家的演奏风格模型，根据输入的指定乐曲输出模拟演奏的乐曲。
23.有益效果：本发明的自动演奏系统可以模拟音乐家风格，对音乐数据演奏时的乐曲速度控制、踏板控制、音乐表情、演奏技巧(包括颤音、装饰音、刮奏等)等方面进行调整，实现新曲的经典演绎。
附图说明
24.图1是实施例系统框架示意图；
25.图2是实施例方法流程示意图；
26.图3是本发明的机器学习算法步骤图；
27.图4是本发明的模型训练步骤图。
具体实施方式
28.下面结合附图和实施例对本发明的技术方案作进一步的说明。
29.如图1所示，本实施例给出了一种模拟音乐家风格的自动演奏系统，应用于钢琴，包括：
30.存储模块，用于存储音乐家的钢琴曲数据；
31.处理模块，用于获取存储模块存储的钢琴曲数据，通过机器学习训练生成对应不同钢琴家的演奏风格模型；根据交互模块传输的指定钢琴家信息查询对应的演奏风格模型，输入指定钢琴曲，输出模拟演奏的midi钢琴曲；其中所述钢琴曲数据包括成对的针对特定钢琴家的标准midi钢琴曲、真实midi钢琴曲数据；
32.交互模块，用于接收用户输入的指定钢琴曲、指定钢琴家信息，传输给处理模块；
33.控制模块，用于获取模拟演奏的midi钢琴曲，控制驱动模块演奏钢琴；
34.驱动模块，用于控制钢琴演奏；所述的驱动模块可以外置于钢琴键盘上，也可以内置于钢琴内部机械结构中驱动击弦锤击打钢琴内部钢弦。
35.电源，用于给系统中的其他模块提供电力。
36.一种模拟音乐家风格的自动演奏方法，
37.(1)处理模块获取存储模块存储的钢琴曲数据，通过机器学习训练生成对应不同钢琴家的演奏风格模型；
38.(2)交互模块接收用户输入的指定钢琴曲、指定钢琴家信息；
39.(3)处理模块根据指定钢琴家信息查询该钢琴家的演奏风格模型，根据输入的指
定钢琴曲输出模拟演奏的钢琴曲。
40.如图2所示，处理模块的功能主要包括训练演奏风格模型、输入新的标准midi钢琴曲、预测模拟midi钢琴曲。
41.所述钢琴曲数据附有标签，所述标签包括以下至少一种：曲目名称标签、作曲家标签、编曲者标签、整理者标签、出版年代标签、音乐体裁标签、作曲风格标签、速度标签、表情记号标签、踏板标签。
42.基于机器学习的钢琴家风格模拟方法包括：将一首标准midi钢琴曲输入到模型中，通过模型，输出模拟指定音乐家风格的midi钢琴曲。
43.所述模型使用多组训练数据根据标签通过机器学习训练得出的，所述多组训练数据中的每一组训练数据均包括：标准midi钢琴曲、真实midi钢琴曲。
44.所述的标准midi钢琴曲是根据钢琴曲的五线谱编码而成，具有音符时值准确，节奏准确，音符力度均匀，听感较为机械等特点。
45.所述的真实midi钢琴曲是由指定钢琴家演奏的对应标准midi钢琴曲的音频转录而成，具有音符时值不完全准确，节奏不完全准确，节奏音符力度变化，听感自然，具有指定音乐家风格等特点。
46.所述模型的输出信息包括：与所述标准midi钢琴曲对应的模拟midi钢琴曲；
47.所述的模拟midi钢琴曲是由所述标准midi钢琴曲经模拟该钢琴家演奏风格生成的。
48.如图3所示，模拟音乐家风格的自动演奏系统中机器学习算法的步骤主要有获得数据集、预处理、训练模型、测试模型、评价模型。
49.所述的模型采用深度卷积神经网络。深度卷积神经网络的输入为标准midi钢琴曲，输出为模拟midi钢琴曲。
50.所述的数据集是由标准midi钢琴曲和真实midi钢琴曲组成的大量数据，数据集分为训练数据集和测试数据集。训练数据集用以训练模型，测试数据集用以测试模型。
51.首先对存储模块存储的钢琴曲数据进行预处理，主要包括midi数据清理、midi数据转换、midi数据补充、midi数据规范化等。
52.如图4所示，训练模型主要采用逆误差传播算法训练神经网络。具体步骤为初始化深度卷积神经网络中的连接权值和阈值、根据当前模型计算输出、计算输出层神经元的梯度项、计算隐藏层神经元的梯度项、计算并更新连接权值和阈值、判断是否满足要求。
53.所述的测试模型使用测试数据集作为模型的输入，并记录模型的输出。
54.所述的评价模型将测试模型得到的输出与测试数据集中的标准结果进行比较，若测试达标，则得到最终模型，若不达标，则返回训练模型步骤继续训练，直至模型测试达标。
55.本发明的技术方案应用于其他乐器也是类似的，不做赘述。