[논문]인공지능을 이용한 국악 멜로디 생성기에 관한 연구

배준

doi:10.6109/jkiice.2021.25.7.869

인공지능을 이용한 국악 멜로디 생성기에 관한 연구
Korean Traditional Music Melody Generator using Artificial Intelligence 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.7, 2021년, pp.869 - 876

배준 (Department of Music Technology, The University of Suwon)

초록
AI-Helper

음악 분야에서는 최근 머신러닝을 이용한 다양한 인공지능 작곡 방법이 시도되고 있다. 하지만 이 연구는 대부분 서양음악을 중심으로 이루어져왔고 국악에 관한 연구는 거의 이루어지지 않았다. 특히 연구를 위한 데이터 세트조차 만들어지지 않은 상태여서 연구에 어려움이 많았다. 이에 해당 논문에서는 국악의 데이터 세트를 만들고 그 데이터 세트를 기반으로 하여 세 가지 알고리즘을 이용하여 국악 멜로디를 생성하고 그 결과물을 비교하여 보기로 한다. 언어와 음악의 유사성에 기반한 LSTM, Music Transformer 그리고 Self Attention 3가지 모델들이 선택되었다. 각 3가지 모델을 이용하여 국악 멜로디 생성기를 모델링하고 학습시켜 국악 멜로디를 생성해 내었다. 사용자 평가 결과 Self Attention 방식이 LSTM 방식과 Music transformer 방식에 비해 높은 선호도를 보였다. 데이터 표현 및 훈련데이터는 인공지능 작곡에 있어 매우 중요하다. 이를 위한 기초적인 국악 데이터 세트를 만들고 다양한 알고리즘으로 인공지능 작곡을 시도하였고 이것이 향후 국악 인공지능 작곡의 연구에 도움이 될 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

In the field of music, various AI composition methods using machine learning have recently been attempted. However, most of this research has been centered on Western music, and little research has been done on Korean traditional music. Therefore, in this paper, we will create a data set of Korean traditional music, create a melody using three algorithms based on the data set, and compare the results. Three models were selected based on the similarity between language and music, LSTM, Music Transformer and Self Attention. Using each of the three models, a melody generator was modeled and trained to generate melodies. As a result of user evaluation, the Self Attention method showed higher preference than the other methods. Data set is very important in AI composition. For this, a Korean traditional music data set was created, and AI composition was attempted with various algorithms, and this is expected to be helpful in future research on AI composition for Korean traditional music.

주제어

표/그림 (11)

그림 Fig.1 Korean Traditional Music Dataset(note:number of notes, control change:number of MIDI Control)
그림 Fig.2 Histogram of Arirang
그림 Fig.3 Histogram of Niliriya
그림 Fig.4 PitchClass of Arirnag
그림 Fig.5 Pitch Class of Niliriya
그림 Fig.6 (a)Histogram and (b)Pitch Class of LSTM Model
그림 Fig.8 (a)Histogram and (b)Pitch Class of Self Attention Model
그림 Fig.9 Result of Listener Servey (1:LSTM, 2:MusicTransformer. 3.Self Attention)
그림 Fig.10 Result of Each Listener Servey
그림 Fig.7 (a)Histogram and (b)Pitch Class of Music Transfer Model
그림 Fig.11 Accuracy, loss and distance rate comparison chart for each model

참고문헌 (11)

L. Wyse. Mechanisms of artistic creativity in deep learning neural networks.arXiv preprint, arXiv:1907.00321, 2019.
Y. Nam and Y. Kim, "Melody composition using geometric crossover for variable-length encoding," Computational Intelligence in Music, Sound, Art and Design Lecture Notes in Computer Science, pp. 37-38, 2019.
G. Hadjeres, F. Pachet, and F. Nielsen, "Deepbach: a steerable model for bach chorales generation," Proceedings of the 34th International Conference on Machine Learning, PMLR 70, pp. 1362-1371, 2017.
H. Hild, J. Feulner, and W. Menzel, "HARMONET: A neural net for harmonizing chorales in the style of JS Bach," Applications of Evolutionary Computation, pp. 267-274, 1992.
B. Freisleben, "The neural composer: A network for musical applications," International Computer Music Association, vol. 1993, pp. 1663-1666, 1992.
N. Boulanger-Lewandowski, Y. Bengio, and P. Vincent, "Modeling temporal dependencies in high-dimensional sequences: Application to polyphonic music generation and transcription," arXiv preprint, arXiv:1206.6392, 2012.
R. Vohra, K. Goel, and J. K. Sahoo, "Modeling temporal dependencies in data using a DBN-LSTM," arXiv:1803.01271, pp. 1-4, 2015.
S. Jee, "Comleteing Unfinished Classic Music Using AI," Seoul School of Intergrated Sciences and Technologies, vol. 1, no. 1, pp. 2-4, 2020.
J. Bae, "Deep Learning Music Genre Classification System Model Improvement Using Generative Adversarial Networks (GAN)," International Journal of Information and Communication Engineering, vol. 24, no. 7, pp. 842-848, 2020.
D. Bahdanau, K. Cho, and Y. Bengio, "Neural machine translation by jointly learning to align and translate," arXiv preprint, arXiv:1409.0473, 2014.
J. Bae and C. Y. Kim, "Deep Learning Music genre automatic classification voting system using Softmax," International Journal of Information and Communication Engineering, vol. 23, no. 1, pp. 27-32, 2019.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증