让机器自己做音乐是一种奇怪的想法，毕竟它们是机器，它们不会感到高兴或受伤，据我所知，它们并不像人一样渴望受到其他机器的喜爱。人们喜欢将音乐视为一件深有意义的工作，是一项充满激情的工作，其细微差别和情感基础使机器永远无法理解音乐制作过程中的感觉，甚至无法简单地欣赏音乐。

所以人与机器一起制作音乐的想法会显得陌生。但是奇怪的是，卡纸会话的原理可能正是机器开始理解音乐表现所需要的。正如莎拉·阿德金斯（Sara Adkins）在2019年Hackaday超级会议的启发性演讲`` 用机器创造''中所解释的那样，人与机器之间相互学习很多。

对于人类音乐家来说，机器的速度和准确性是令人羡慕的。在音符和和弦之间进行即时过渡的能力也是如此。人类学习这些过渡很慢，必须反复练习来回建立肌肉记忆。如果机器功能强大，它可能会在热情的表演和音乐表达方面羡慕人类。

萨拉（Sara）的演讲为我们介绍了几种人与机器可以相互学习的方式。

干扰算法

萨拉编写了一系列作品，旨在通过交互算法由人和机器一起演奏。她从一个名为“呼吸”的乐曲开始，该乐曲使用基于规则的算法来解释电吉他独奏输入并通过合成器进行输入。吉他演奏者使用脚踏板来拍摄其演奏的FFT快照，从而为机器提供有关所演奏音符的音高和持续时间的信息。

一旦算法确定了普遍存在的谐波，它就将它们像飘渺的，旋转的正弦波一样播放，听起来像海洋。该算法还从麦克风中获取输入，以创建一个影响颗粒合成速率的幅度包络。这为重叠的正弦波增加了一个很好的断音对角。

递归神经网络

对于使用递归神经网络的另一种组合，Sara使用TensorFlow在405巴赫合唱的饮食上训练了3层长短期记忆（LSTM）。合唱是一种简短的赞美诗，通常是为了达到四声和声而编写的—高音，中音，中音和低音。这部分的算法分为两部分。一旦存在内容并且已经训练好网络，表演者就可以使用MIDI界面来控制神经网络检查点的移动，保持或跳过选定的音符以及调整速度。萨拉对神经网络进行了三天的训练，第一天和第二天之间的区别是惊人的。

萨拉在演讲中分享的最后一首歌叫做《机器周期》，她是由MIDI键盘独奏者，吉他手和一些谐波正弦无人机组成的合奏。当键盘演奏者弹奏时，机器会在算法播放结果之前随机抓取短语并创建可能的点缀（如宽音符和节奏上的微小变化）的马尔可夫链。在发生这种情况时，另一个担任指挥的人可以控制诸如输出速度之类的参数，以及是否跳过任何音符。人与机器相互学习的想法肯定是一个有趣的想法。我们想将工业机械的声音引入这些算法中，只是想看看哪种新型金属可以起到承载的作用，下面通过视频回顾下萨拉的演讲。

版权声明：电路城原创编译，翻译自Hackaday，转载请注明出处！