1 歴史
1.1 ルールベース時代
音楽生成の試みは、計算機科学の初期にまで遡る。1950年代には、既存の楽曲理論を数値ルールとしてプログラムに実装し、自動で旋律や和音を生成する研究が行われた。代表的な例として、1957年にLejaren HillerとLeonard Isaacsonが開発した「Illiac Suite」は、確率過程と対位法のルールを組み合わせて弦楽四重奏曲を生成した。これらのルールベースシステムは、事前に定義された音楽理論の制約に依存しており、創造性の幅は限られていたが、後続の機械学習アプローチの基礎を築いた。
1.2 機械学習の導入
1990年代以降、統計的パターン認識やニューラルネットワークの進展に伴い、楽曲データから直接パターンを学習する手法が現れ始めた。初期の研究では、隠れマルコフモデル（HMM）や教師あり学習が用いられ、データ量の増加と計算資源の向上が機械学習の導入を後押しした。
1.2.1 LSTMとRNNによる旋律生成
リカレントニューラルネットワーク（RNN）、特にLong Short-Term Memory（LSTM）は、時系列データである音楽の生成に適していた。2010年代前半、LSTMを用いた旋律生成が盛んに研究され、過去の音符列から次の音符を予測する自己回帰モデルが主流となった。これにより、従来のルールベース手法では難しかった長期的な音楽構造の学習が可能になった。
1.2.2 GANを用いた音楽スタイル転写
生成敵対ネットワーク（GAN）は、画像生成で成功を収めた後、音楽分野にも応用された。特にスタイル転写では、入力された楽曲のスタイルを別のジャンルや作曲家風に変換する手法が開発された。しかし、音楽の連続的な時間構造を扱う際の不安定性や、高品質なオーディオ生成の難しさから、GAN単体での実用化は限定的であった。
1.3 深層学習の飛躍
2017年以降、Transformerアーキテクチャや拡散モデルの登場により、音楽生成の品質と多様性が飛躍的に向上した。これらは大量のデータと大規模な計算資源を活用し、リアルな楽曲を生成する能力を持つ。
1.3.1 Transformerモデルの登場
Transformerモデルは、自己注意機構を用いて系列全体の依存関係を効率的に捉える。Music Transformer（2018年）などの研究により、従来のRNNよりも長い音楽フレーズを一貫して生成できることが示された。さらに、大規模なトークン化と事前学習により、複数の楽器や複雑なポリフォニーを扱うシステムへと発展した。
1.3.2 拡散モデルの応用
拡散モデルは、画像生成で高い性能を示した後、オーディオや音楽生成に応用された。ノイズから徐々に構造化された音楽信号を復元する過程を学習し、高品質な波形やスペクトログラムを生成する。2023年頃には、テキスト条件付きの音楽拡散モデルが複数発表され、特に短いプロンプトからリアルな楽曲を生成する能力で注目を集めた。
2 技術基盤
2.1 データセットと前処理
音楽生成AIの学習には、大規模な楽曲データセットが必要である。代表的なものに、MIDI形式のデータベース（例：Lakh MIDI Dataset）、オーディオデータベース（例：Million Song Dataset）、そしてテキストと音楽を組み合わせたマルチモーダルデータセット（例：MusicCaps）がある。前処理では、楽曲の正規化、メタデータの付与、ノイズ除去などが行われる。
2.1.1 MIDIとオーディオの違い
MIDI（Musical Instrument Digital Interface）は音符、速度、音色、テンポなどの記号情報を保持し、データ量が小さく編集が容易である。一方、オーディオは実際の音波をサンプリングしたデータであり、音色や演奏のニュアンスを含むが、データ量が大きく、直接的な音符操作が難しい。多くの生成モデルは、MIDIのような記号表現を扱うものと、オーディオ波形を直接扱うものに大別される。
2.1.2 記号表現とスペクトログラム
記号表現は、音符のピッチ、開始時刻、持続時間、ベロシティなどを離散的なトークンやベクトルで表す。一方、スペクトログラムは時間周波数領域での画像表現であり、畳み込みニューラルネットワーク（CNN）や拡散モデルで扱いやすい。多くのモデルでは、スペクトログラムを中間表現として用い、最終的に波形に変換する手法がとられる。
2.2 主要なモデルアーキテクチャ
2.2.1 自己回帰モデル
自己回帰モデルは、これまでに生成したトークン列をもとに次のトークンを逐次的に予測する。Transformerベースのもの（例：Music Transformer、MuseNet）が主流であり、教師あり学習で訓練される。長い系列を生成できる一方、逐次処理のため生成速度が遅いという欠点がある。
2.2.2 拡散モデル
拡散モデルは、ガウスノイズを段階的に除去することでデータを生成する。音楽では、スペクトログラムや波形に対して拡散過程を適用する。条件付き生成が容易で、高品質なサンプルを生成できるが、生成に多くの反復ステップを要する。近年では、潜在拡散モデルを応用した高速化も進んでいる。
2.2.3 対照学習とマルチモーダル
対照学習は、テキスト、画像、音楽などの異なるモダリティを共通の埋め込み空間にマッピングする手法である。音楽生成においては、テキストプロンプトと音楽表現を対応づけるために用いられる。例えば、CLAP（Contrastive Language-Audio Pretraining）は、テキストとオーディオの対照学習を実現し、テキストから音楽を生成するモデルの基盤となっている。
2.3 生成手法の分類
2.3.1 条件付き生成（テキスト・画像・パラメータ）
条件付き生成は、ユーザーが指定した入力に基づいて音楽を生成する。入力にはテキスト（例：「明るいピアノ曲」）、画像（例：風景写真から雰囲気を推定）、または数値パラメータ（テンポ、調性、楽器構成など）が用いられる。これにより、生成結果を意図的に制御できる。
2.3.2 補完・変奏・スタイル転送
補完は、既存の楽曲の一部を埋める形で音楽を生成する。変奏は、与えられたテーマやメロディをもとにバリエーションを作成する。スタイル転送は、ある楽曲のスタイル（例：バッハ風）を別の楽曲（例：現代のポップス）に適用する。これらは作曲支援ツールとして実用的である。
3 代表的なシステムとサービス
3.1 研究プロジェクト
3.1.1 Google Magenta / MusicLM
Google Magentaは、機械学習を用いた芸術創作を探求する研究プロジェクトであり、MusicVAE、Performance RNN、NSynthなどのツールを公開した。その後、テキストから音楽を生成するMusicLM（2023年）を発表し、高品質な長尺の楽曲生成を実現した。MusicLMは、テキスト記述に加えて、口笛やハミングを使った条件付き生成も可能である。
3.1.2 OpenAI Jukebox
OpenAI Jukebox（2020年）は、生のオーディオ波形を直接生成する大規模モデルであり、ジャンルやアーティストを指定して楽曲を生成できる。ただし、計算コストが非常に高く、生成品質もノイズが残ることがある。Jukeboxは、音楽生成におけるスケーリング則の研究に貢献した。
3.1.3 Meta MusicGen
Meta（旧Facebook）が2023年に公開したMusicGenは、自己回帰Transformerをベースとし、エンコードされたオーディオトークンを効率的に生成する。テキストとメロディの両方を条件として使える点が特徴で、研究用にオープンソースのコードとモデルも提供されている。
3.2 商用サービス
3.2.1 AIVA
AIVA（Artificial Intelligence Virtual Artist）は、2016年から提供されている商用の音楽生成AIで、主にクラシック音楽や映画音楽を対象とする。ユーザーは作曲スタイルや楽器構成を指定し、ロイヤリティフリーの楽曲を生成できる。AIVAは著作権登録が可能な楽曲を生成する点で知られる。
3.2.2 Soundraw
Soundrawは、ウェブ上で動作する音楽生成サービスで、ユーザーがテンポ、ジャンル、長さ、楽器を選択すると、AIが複数の候補を生成する。生成された楽曲は、さらにトラックごとに編集やカスタマイズが可能で、サブスクリプション制で提供されている。
3.2.3 Amper Music (閉鎖)
Amper Musicは、2019年にローンチされた商用音楽生成プラットフォームで、映像制作者向けに簡単な操作で楽曲を作成できる。2020年にShutterstockに買収された後、2021年にサービス終了が発表された。その技術はShutterstockの音楽ライセンスサービスに統合された。
3.3 オープンソースツール
3.3.1 Riffusion
Riffusionは、画像生成AI（Stable Diffusion）を音楽スペクトログラムに適用するユニークなアプローチをとる。ユーザーはテキストプロンプトで音楽を生成し、Webブラウザ上でリアルタイムに試聴できる。画像からの変換プロセスにより、独特の音色と多様性を実現している。
3.3.2 独自学習フレームワーク
音楽生成AIの研究コミュニティでは、多くの独自フレームワークが公開されている。例えば、MagentaのTensorFlowベースのツール群、Hugging FaceのTransformersライブラリ上の音楽モデル、そしてPyTorch Lightningを用いた拡散モデル実装などが挙げられる。これらにより、開発者は既存のモデルを再利用し、カスタムデータでの学習が容易になった。
4 応用領域
4.1 プロ音楽制作
4.1.1 作曲補助
プロの作曲家は、AIをブレインストーミングやアイデア出しのツールとして活用する。メロディの提案、ハーモニーの自動生成、既存フレーズの展開などが行われ、AIが生成した素材を人間が取捨選択・編集することで創作の効率が向上する。特に、時間的な制約が大きい商業制作において有用である。
4.1.2 アレンジ・オーケストレーション
AIは、既存の旋律に自動で伴奏や対旋律を追加したり、ピアノ譜をオーケストラ用に編曲したりするタスクに応用される。例えば、MIDIデータを入力すると、適切な楽器割り当てや和声付けを提案するシステムが研究されている。これにより、アレンジャーの負担が軽減される。
4.2 アマチュアと趣味
4.2.1 初心者向け作曲支援
音楽理論を学んだことのないユーザーでも、AIを用いて簡単に楽曲を作成できる。多くのアプリでは、テンポやジャンル、ムードを選択するだけで完成度の高いBGMが生成され、趣味の創作活動の敷居を下げている。
4.2.2 ソーシャルメディア向けBGM生成
TikTok、Instagram、YouTubeなどのプラットフォームで使用するための短尺BGMがニーズとなっている。音楽生成AIは、動画の長さや雰囲気に合わせた楽曲を即座に生成でき、著作権フリーの音源として利用される。2020年代後半には、プラットフォーム内に生成機能が組み込まれる事例も増えた。
4.3 ゲーム・映像・広告
4.3.1 動的BGM生成
ゲームでは、プレイヤーの行動やストーリー展開に応じてBGMが変化する動的サウンドトラックが求められる。AIは、ゲームエンジンと連携し、リアルタイムでテンポや楽器構成を変更しながら音楽を生成する。これにより、没入感の向上が期待できる。
4.3.2 シーンに応じた即時生成
映像制作や広告では、シーンごとに異なる雰囲気の音楽が必要となる。AIにシーンのテキスト説明や動画の解析結果を入力することで、即座に適切なBGMが生成され、制作時間を大幅に短縮できる。特に、低予算の制作現場での活用が進んでいる。
5 倫理的・法的課題
5.1 著作権とライセンス
5.1.1 学習データの著作権問題
多くの音楽生成AIは、インターネット上で公開されている楽曲を学習データとして使用している。これらの楽曲には著作権が存在する場合が多く、権利者からの許諾なく学習に用いることが著作権侵害に当たるかどうかが議論されている。一部の国では、テキスト・データマイニングの例外規定が適用される場合もあるが、音楽分野では特に曖昧さが残る。
5.1.2 生成物の著作権帰属
AIが生成した楽曲の著作権が誰に帰属するかは、国や地域によって異なる。多くの法域では、人間の創作活動がなければ著作権は発生しないとされ、AI生成物はパブリックドメインまたは利用規約で定められたライセンスの対象となる。一方、商用サービスでは、ユーザーが著作権を取得できることを謳うものもあるが、法的な統一見解はまだない。
5.2 創造性とオリジナリティの定義
AIが生成した音楽には、既存の楽曲の特徴を強く反映したものがあるため、オリジナリティの概念が問われている。人間の作曲家が参考にするのと同様の学習過程であるという意見がある一方、AIは意図や感情を持たないため、単なるパターンの組み合わせに過ぎないという批判もある。創造性の定義そのものの再考を促す議論が続いている。
5.3 市場への影響
5.3.1 作曲家の仕事の変化
音楽生成AIの普及により、特に低予算のBGM制作やデモトラック作成の分野では、人間の作曲家の発注が減少しているケースがある。一方で、AIをツールとして活用することで、作曲家の生産性が向上し、より創造的な部分に集中できるようになるとの見方もある。職業としての作曲家の役割が変化しつつある。
5.3.2 音楽業界の反応
大手レコード会社や著作権管理団体は、AIによる楽曲生成に対して警戒感を示している。特に、既存アーティストのスタイルを模倣した生成物が市場に出回ることへの懸念や、学習データの無断使用に関する訴訟リスクが指摘されている。2023年以降、いくつかの訴訟が提起され、音楽業界とAI開発者の間の対立が顕在化している。
6 将来展望
6.1 人間とAIの協調創作
今後の音楽制作では、AIが創造的なパートナーとして人間と一緒に作業する協調創作が主流になると予想される。人間が直感的な方向性を示し、AIがその場で提案や補完を行うインタラクティブな環境が整備される。これにより、プロフェッショナルだけでなく、初心者も高度な創作活動に参加できるようになる。
6.2 感情・文脈理解の向上
現在の音楽生成AIは、テキストや画像といった明示的な条件には応じられるが、人間の感情や複雑な文脈を深く理解することは難しい。将来的には、生体信号や言語のニュアンス、ユーザーの行動履歴などからより細かい感情を推定し、それに応じた音楽を生成する技術が期待される。これにより、心理療法やゲーム、映画などでの没入感がさらに高まる。
6.3 リアルタイムインタラクション
ライブパフォーマンスや即興演奏において、AIがリアルタイムで人間の演奏に反応するシステムが発展する。例えば、人間のギター演奏に合わせてAIが自動的にベースやドラムを生成し、バンド演奏を実現する。また、観客の反応をセンサーで取得し、その場の雰囲気に合わせてBGMを変化させるといった応用も考えられている。レイテンシの低減と高い応答性が実用化の鍵となる。