DeepBach: A Steerable Model for Bach Chorales Generation

Tous les projetsICML · 2017

Générer et modifier des chorals dans le style de Bach en fixant certaines notes, certains rythmes ou certaines voix.

Génération neuronale · Harmonie à quatre voix

Quatre voix : la mélodie et la cadence restent fixées, tandis que les autres voix sont régénérées.

Schéma de contrôle : conserver la mélodie et la cadence, puis régénérer les autres notes. Les couleurs distinguent les choix fixés et les passages à échantillonner.

Présentation

Écoutez des chorals générés à quatre voix, dont des exemples chantés par Wishful Singing. Le code d’origine comprend un module MuseScore qui permet de régénérer des passages choisis.

Auteurs : Gaëtan Hadjeres, François Pachet, Frank Nielsen

Référence : Proceedings of the 34th International Conference on Machine Learning (ICML),
pp. 1362–1371, 2017.

Ressources

Résumé

DeepBach génère des chorals à quatre voix dans le style de Bach par échantillonnage pseudo-Gibbs, avec un modèle entraîné sur 352 chorals retenus après filtrage et enrichis par transposition. L’utilisateur peut fixer des notes, des rythmes, des voix ou des cadences et laisser le modèle compléter le reste. Lors d’un test d’écoute en ligne, environ la moitié des jugements sur les extraits DeepBach les ont attribués à Bach.

Points clés

  • Modèle génératif profond de chorals à quatre voix dans le style de Bach, utilisant l’échantillonnage pseudo-Gibbs.
  • L’utilisateur peut fixer les notes, les rythmes, les cadences et certaines voix de la partition.
  • Les chorals générés reproduisent des motifs caractéristiques de Bach, notamment les cadences et les notes étrangères à l’accord.
  • Le test d’écoute a réuni 1 272 participants répartis en trois niveaux d’expertise musicale.
  • Le module MuseScore associé illustre la réharmonisation interactive.

Mots-clés

Apprentissage profond pour la musique ; génération de musique symbolique ; modèles génératifs contrôlables ; chorals de Bach ;
échantillonnage pseudo-Gibbs ; créativité computationnelle ; recherche d’information musicale.

BibTeX

Afficher la référence
@inproceedings{hadjeres2017deepbach,
  title        = {DeepBach: a Steerable Model for Bach Chorales Generation},
  author       = {Hadjeres, Ga{\"e}tan and Pachet, Fran{\c{c}}ois and Nielsen, Frank},
  booktitle    = {Proceedings of the 34th International Conference on Machine Learning},
  pages        = {1362--1371},
  year         = {2017}
}

Travaux connexes

GLSR-VAE: Geodesic Latent Space Regularization for Variational AutoEncoder Architectures · PDF (2017), de Gaëtan Hadjeres, Frank Nielsen et François Pachet, explore une autre approche de la génération contrôlable : façonner l’espace latent d’un VAE pour que ses déplacements correspondent à des variations d’attributs générés.

L’apport de cet article

DeepBach a été l’un des premiers systèmes à montrer que l’apprentissage profond pouvait générer de façon convaincante une musique
au style très codifié, avec une évaluation par test d’écoute en ligne. Il présente aussi
la génération de musique symbolique comme un processus interactif et contrôlable, dans lequel les
utilisateurs gardent la maîtrise de la structure musicale tandis que le modèle complète les détails. Cette idée a
influencé de nombreux systèmes musicaux ultérieurs et reste une référence pour les modèles contrôlables.

Projets associés
Flow Machines