詳細解釋
使用 AI 生成 MIDI（Musical Instrument Digital Interface）數據的音樂創作技術，與直接生成音頻（如 MusicGen）相對。MIDI 僅包含音符、力度、時機等信息，需由合成器或音源渲染為聲音。
技術特點：
- 結構化表示：音符是離散 token，類似語言模型中的詞
- 可編輯：生成的 MIDI 可在 GarageBand、Logic、Ableton 中繼續編輯
- 多軌道：可生成多樂器編配（鋼琴、吉他、貝斯、鼓）
AI 方法：
- Transformer：將 MIDI 序列化為 token，自回歸生成
- Music Transformer（Google 2018）：引入相對注意力，捕捉長程音樂結構
- MuseNet（OpenAI 2019）：多風格多樂器生成
- 擴散模型：基於噪聲逐步去噪生成音樂結構
應用場景：
- 遊戲背景音樂：根據遊戲狀態實時生成配樂
- 廣告配樂：根據品牌風格生成短音樂
- 創意輔助：作曲家獲得靈感或草稿，在此基礎上發展
- 教育：生成練習曲、展示和聲進行
挑戰：
- 音樂理論：AI 需學習和聲、曲式、配器法
- 一致性：長篇音樂（>3分鐘）的結構連貫性
- 情感表達：音樂的「感覺」難以形式化
與音頻生成的對比：
- MIDI：結構化、可編輯、文件小，但依賴音源質量
- 音頻（WAV）：直接可聽，包含音色信息，但難以編輯
代表產品：AIVA、Amper Music（已被 Shutterstock 收購）、Google Magenta。