1 定义与范畴
人工智能作曲（AI Composition）是指利用机器学习、深度学习等计算机技术，自动或半自动地生成音乐作品的过程。其核心在于让算法学习大量乐谱或音频数据中的模式（如旋律、和声、节奏、结构），从而能够创作出具有特定风格或情感的新音乐。该领域融合了音乐理论、信号处理与人工智能，已在影视配乐、游戏音效、音乐教育及个性化内容生成中得到应用。随着生成式模型的进步，AI作曲也引发了关于艺术原创性、版权归属的讨论，以及“AI会不会抢走音乐人饭碗”的经典调侃。
1.1 人工智能作曲的边界
人工智能作曲的边界主要取决于系统的自主程度与输入形式。完全自主的AI作曲系统只需给定风格或情绪参数即可生成完整作品；而半自主系统则要求人类提供部分主题、和弦序列或节奏骨架。边界还体现在输出媒体上：符号音乐（如MIDI）与音频波形两种形式在技术难度和艺术效果上差异显著。此外，AI作曲通常不包含实时演奏层面的动态表现控制（如力度微调、踏板运用），除非系统专门针对演奏细节建模。
1.2 与传统计算机辅助作曲的区别
传统计算机辅助作曲（Computer-Aided Composition, CAC）中，计算机充当工具，提供音序器、乐谱编辑、声音合成等功能，所有创作决策由人类完成。AI作曲则试图将部分或全部决策权交给算法——系统通过学习数据中的模式，自动生成音符、和弦或结构。简言之，CAC是“人用机写”，AI作曲是“机学人写”。二者并非对立，现代许多CAC软件也集成了AI插件作为辅助。
1.3 相关子领域
1.3.1 算法作曲
算法作曲（Algorithmic Composition）是AI作曲的前身，使用确定的规则或随机过程生成音乐，如莫扎特的“骰子音乐”。现代算法作曲通常包含随机性与规则控制，但未必涉及机器学习。AI作曲则强调从数据中自动学习规则。
1.3.2 风格模仿生成
风格模仿生成指以特定作曲家、流派或时期为训练目标，生成符合该风格的新作品。例如训练模型模仿巴赫的众赞歌或周杰伦的旋律特点。这是AI作曲中最具娱乐性和争议性的一类应用。
1.3.3 交互式作曲系统
交互式作曲系统允许人类与AI实时协作：用户提供初始动机或反馈，AI据此拓展或修改音乐片段。此类系统常见于现场表演、音乐教学和游戏自适应配乐中。
2 技术原理
2.1 数据表示与预处理
2.1.1 符号音乐表示（MIDI、ABC记谱法）
符号音乐将音乐抽象为离散音符事件，包含音高、时值、力度、音色等参数。MIDI（Musical Instrument Digital Interface）是最常用的标准，以事件列表形式存储。ABC记谱法是一种基于文本的简谱表示，常用于民间音乐分享。符号表示计算效率高，便于模型处理，但缺失了真实演奏中的细微音色动态。
2.1.2 音频表示（频谱、波形）
音频表示直接处理声波采样点或频域特征（如梅尔频谱图）。模型需要从大量原始音频中学习声学模式，难度更大，但能生成更真实、更具表现力的音乐。WaveNet等模型即采用音频级别生成。
2.2 核心建模方法
2.2.1 统计模型与马尔可夫链
早期AI作曲常用N阶马尔可夫链，根据前面N个音符预测下一个音符的概率分布。模型简单，能捕捉局部模式，但缺乏长程结构能力。变体如隐马尔可夫模型（HMM）可用于解析和声进行。
2.2.2 深度学习模型
2.2.2.1 循环神经网络（RNN）与长短期记忆（LSTM）
RNN（Recurrent Neural Network）可处理序列数据，通过隐藏状态传递上下文信息。LSTM（Long Short-Term Memory）作为其变体，通过门控机制解决了长期依赖问题，是2010年代AI作曲的主流结构，常用于生成旋律与伴奏。
2.2.2.2 生成对抗网络（GAN）
GAN（Generative Adversarial Network）包含生成器与判别器，二者对抗训练。生成器尝试生成逼真音乐片段，判别器判断真伪。GAN能生成多样且符合风格的样本，但训练不稳定，容易出现模式崩溃。MidiNet、Wasserstein GAN等模型曾用于符号音乐生成。
2.2.2.3 Transformer与自注意力机制
Transformer基于自注意力（Self-Attention）机制，能捕捉序列中任意距离的依赖关系，尤其适合处理音乐的长程结构（如乐章的发展、复调的对位）。OpenAI的MuseNet和Google的Music Transformer即采用该架构，生成的音乐在连贯性上显著优于RNN。
2.2.3 强化学习在作曲中的应用
强化学习（Reinforcement Learning, RL）将作曲视为智能体与环境的交互过程：智能体生成音符序列，根据预设的奖励函数（如和声规则、情感得分、可听性）获得反馈。RL可用于优化模型输出以满足特定约束，如避免不协和音程、控制张力变化。
2.3 生成策略
2.3.1 自回归生成
自回归生成（Autoregressive Generation）按时间顺序逐个预测下一个音符或帧，条件建立在已生成的所有内容之上。常见于Transformer、RNN模型。优点是输出自然流畅，缺点是生成速度较慢。
2.3.2 潜在空间采样
潜在空间采样（Latent Space Sampling）通过变分自编码器（VAE）等模型，将音乐编码为低维潜变量，然后从潜变量空间随机采样解码为新音乐。可控制潜变量的插值实现风格渐变，例如将一首古典乐平滑过渡到爵士乐。
2.3.3 约束引导生成
约束引导生成（Constraint-Guided Generation）在生成过程中施加硬性或软性约束，例如指定调式、拍号、音域范围，或禁止某些音程。通常通过条件输入（Conditioning）或后处理调整实现。
3 发展简史
3.1 萌芽期（1950s–1980s）：早期算法与实验音乐
1957年，Lejaren Hiller与Leonard Isaacson使用ILLIAC计算机创作了《Illiac Suite》，被视为最早的算法作曲作品。此后，Iannis Xenakis等作曲家将数学与随机过程引入音乐创作。70年代起，MIDI协议的普及为数字音乐处理提供了基础。
3.2 统计学习期（1990s–2000s）：基于概率模型的风格模仿
1990年代，Cope的“Experiments in Musical Intelligence”（EMI）通过模式匹配与重组，模仿巴赫、莫扎特等风格。同期，David Cope提出“重组音乐”概念。2000年代，马尔可夫链与隐马尔可夫模型被广泛用于流行音乐和声进行分析。
3.3 深度学习爆发期（2010s至今）
3.3.1 Google Magenta与WaveNet
2016年，Google发布Magenta项目，专注于使用TensorFlow进行音乐与艺术生成。同年DeepMind推出WaveNet，实现高保真音频级语音合成，后延伸至音乐生成。Magenta的MusicRNN、PerformanceRNN等模型成为开源社区的重要基础。
3.3.2 OpenAI MuseNet与Jukebox
2019年，OpenAI发布MuseNet，支持10种乐器、多种风格，能生成4分钟长的多乐器音乐。2020年Jukebox进一步扩展，可生成带有歌词的完整歌曲（含人声）。这些模型虽未完全商业化，但展示了Transformer在音乐生成上的巨大潜力。
3.3.3 国内外的探索（如小冰、DeepMusic）
中国方面，微软小冰于2019年推出“小冰乐队”，可作词作曲并演唱。DeepMusic（时域科技）开发了AI作曲引擎，服务游戏与影视行业。此外，网易、百度等公司也推出了相关Demo产品。
4 主要系统与工具
4.1 商业平台
4.1.1 AIVA（人工智能虚拟艺术家）
AIVA（Artificial Intelligence Virtual Artist）专注于古典与影视配乐，支持用户选择情绪、乐器编制和时长。其作品已用于游戏《横冲直撞IV》等场景。AIVA还注册为作曲家，享有部分版权。
4.1.2 Amper Music
Amper Music（后被Shutterstock收购）提供拖拽式音乐生成工具，用户可调节风格、情绪、速度和结构片段。常用于视频创作者快速获取免版税背景音乐。
4.1.3 LANDR Composer
LANDR主要面向独立音乐人，其Composer模块可根据用户提供的和弦或节奏生成完整编排。集成了云端母带处理功能，形成“一键生成-混音-发行”闭环。
4.2 开源框架与项目
4.2.1 TensorFlow Magenta
Magenta提供多个预训练模型（如Melody RNN、Improv RNN、Piano Genie）及Python库，支持自定义训练。社区活跃，定期发布新模型与教程。
4.2.2 MusPy、MusicVAE
MusPy是一个Python库，统一了多种符号音乐格式的输入输出，并封装了常用生成模型。MusicVAE是Magenta中的变分自编码器，擅长潜在空间插值操作。
4.2.3 RNN-RBM与MidiNet
RNN-RBM（Restricted Boltzmann Machine）是较早的混合模型，用于生成复调音乐。MidiNet使用卷积GAN架构，注重保持乐曲的局部连续性。
4.3 在线生成应用
4.3.1 百度“音乐生成”DEMO
百度曾推出在线音乐生成演示，基于PaddlePaddle框架，用户选择风格后生成器输出MIDI文件。该产品更多作为技术实验，未大规模商用。
4.3.2 网易天音
网易云音乐旗下的“网易天音”提供AI作曲工具，用户可输入歌词或选择风格，AI生成旋律与伴奏，并支持人声合成。部分功能已集成到网易云音乐App中。
5 应用场景
5.1 影视与游戏配乐
5.1.1 自适应背景音乐生成
在游戏或交互式视频中，AI可根据玩家行为（如战斗、探索、对话）实时调整音乐的情绪、速度与配器，提升沉浸感。例如《Minecraft》的自适应音乐系统已引入AI元素。
5.1.2 快速原型创作
独立开发者或小型工作室使用AI快速生成配乐草稿，再交予人类作曲家细化。Amper Music等平台宣称可将原型的制作时间从数天缩短至几分钟。
5.2 音乐教育与辅助
5.2.1 和声练习与旋律建议
AI可根据学生输入的和弦级数，提供合理的旋律走向建议，或纠正和声进行中的错误。类似智能陪练系统已出现在一些在线教学平台。
5.2.2 自动伴奏生成
用户演唱或弹奏主旋律后，AI自动生成与情绪相匹配的伴奏和弦及织体。对缺乏乐理知识的创作者尤其友好。
5.3 个性化与娱乐
5.3.1 定制铃声或音乐礼物
用户输入名字、纪念日或简短文本，AI生成专属的短曲。一些App已实现此功能，用于制作婚礼感恩曲或生日祝福铃声。
5.3.2 AI写歌挑战（“让AI帮你写首生日歌”）
社交平台上流行“AI写歌”挑战，用户提供几个关键词，AI生成完整歌曲。虽然质量参差，但以其随机性和幽默感吸引了大量参与者。
5.4 学术研究与艺术探索
AI作曲系统本身成为电子音乐、当代古典乐创作者的工具箱，用于探索新的和声语言或结构形式。例如作曲家利用GAN生成超现实主义的音景，并在音乐节演出。
6 评价与争议
6.1 作曲质量与艺术性
6.1.1 是否具备“情感”与“创意”
批评者指出，AI生成音乐本质上是对已有模式的复现，缺乏创作者个人的情感体验与意图。支持者认为，情感是听众的感知投射，只要听感动人，来源并不重要。目前AI在细节表情（如rubato、力度变化）上仍逊于人类。
6.1.2 图灵测试式的“盲听实验”
多个组织进行过“盲听实验”：让听众判断乐曲是人类还是AI所作。结果发现，在流行风格中，听众正确率仅略高于随机，但在复杂古典作品中，人类作品更易被识别。这类实验常被媒体包装为“AI打败人类”。
6.2 法律与版权问题
6.2.1 AI生成作品的著作权归属
多数国家尚未明确AI作品是否受版权保护。美国版权局规定作品必须有人类作者才可注册；中国司法实践中倾向于保护体现人类智力投入的AI生成内容。商业平台如AIVA将其训练数据中的作品版权归于自己，引发争议。
6.2.2 训练数据的版权侵权风险
AI模型训练需要海量乐谱或音频，若未经授权使用受版权保护的作品，可能构成侵权。2023年起，多家音乐出版商对AI公司发起集体诉讼。目前行业依赖“合理使用”抗辩，但尚无定论。
6.3 社会影响与“梗”文化
6.3.1 “AI作曲会不会让音乐人失业？”——经典的恐慌翻新
自工业革命以来，新技术取代人工的讨论从未停止。AI作曲领域中，常见观点是：简单制作型岗位（如广告配乐、KTV伴奏）可能受影响，但顶级作曲家反而能借助AI提升效率。网络段子则调侃：“AI写出来的歌比某些真人排行榜上的还强，但人类骂起它来也毫不留情。”
6.3.2 网友恶搞：AI版“周杰伦风格” vs 真人模仿秀
B站、YouTube上存在大量“用AI生成周杰伦风格新歌”视频，其中不乏与真人模仿秀对比的恶搞内容。AI生成的旋律常因不合逻辑的音程跳跃而引发“笑果”，但也偶有“神来之笔”。这种文化现象进一步混淆了“AI创作”与“人创”的界限。
7 未来展望
7.1 技术突破方向
7.1.1 多模态融合（歌词+旋律+编曲）
未来模型将同时处理歌词文本、旋律、和弦、配器甚至人声演唱，生成完整的歌曲。OpenAI的Jukebox已初步实现，但质量有待提升。多模态融合有望使AI创作接近人类词曲编唱的完整流程。
7.1.2 实时交互与即兴协作
低延迟的AI即兴协作系统将出现，允许音乐人像与真人乐手一样与AI实时“对飙”。现有的Google Magenta“Piano Genie”和“Improv RNN”已向此方向迈进，但实时性、表现力仍有差距。
7.2 人机协作的新范式
7.2.1 AI作为灵感助手而非替代者
主流观点认为，AI作曲的终极角色是“第二大脑”：人类提供创意方向、情绪动机与审美判断，AI负责快速产出素材、变奏及编排选项。职业音乐人将更多精力投入概念与后期处理。
7.2.2 个性化音乐治疗与辅助创作
AI可根据用户的脑电波、心率等生物反馈实时生成音乐，用于情绪调节或睡眠辅助。在康复领域，AI可为认知障碍患者创作个性化旋律以刺激记忆。这些应用将推动音乐从“欣赏品”向“功能品”延伸。