| Project/Area Number |
23K21738
|
|---|
| Project/Area Number (Other) |
21H03572 (2021-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2021-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 62040:Entertainment and game informatics-related
|
|---|
| Research Institution | Institute of Physical and Chemical Research |
|---|
Principal Investigator |
浜中 雅俊 国立研究開発法人理化学研究所, 革新知能統合研究センター, チームリーダー (30451686)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
北原 鉄朗 日本大学, 文理学部, 教授 (00454710)
吉井 和佳 京都大学, 情報学研究科, 准教授 (20510001)
平田 圭二 公立はこだて未来大学, システム情報科学部, 教授 (30396121)
東条 敏 亜細亜大学, 経営学部, 教授 (90272989)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Declined (Fiscal Year 2024)
|
| Budget Amount *help |
¥12,220,000 (Direct Cost: ¥9,400,000、Indirect Cost: ¥2,820,000)
Fiscal Year 2024: ¥2,730,000 (Direct Cost: ¥2,100,000、Indirect Cost: ¥630,000)
Fiscal Year 2023: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2022: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
Fiscal Year 2021: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
|
|---|
| Keywords | メロディレンダリング / 音楽理論GTTM / メロディ簡約 / 逐次簡約 / 音楽構造分析 / メロディモーフィング / メロディスロットマシン / タイムスパン木 / Melody Slot Machine / Melody Slot Machine HD / GTTM / Apple AppStore / 計算論的音楽理論 |
|---|
| Outline of Research at the Start |
メロディレンダリングの自動化を達成する．構築するシステムではまず，ユーザが作成中のメロディで変更 したい部分を選択する．すると，タイムスパン木分析器が付近のメロディを分析しタイムスパン木が抽出され る．次に，メロディレンダリングによって，タイムスパン木の構造を維持しながら差し替えできるメロディ候補が複数作成される．そして，メロディ候補が提示されユーザが選択する．これを繰り返していくことでメロディに変更を加え，メロディ全体がユーザの意図に近づいていく．レンダリングシステムは，作曲家の生産性を向上するツールとなることが期待される．
|
| Outline of Annual Research Achievements |
音楽構造に基づくメロディ生成の一般化を実現した。我々は音楽理論GTTMに基づくメロディ分析で獲得させる音楽構造を用いたメロディ操作を試みてきた。具体的には、二つのメロディの中間にあるメロディを求めるメロディモーフィングを提案・実現してきた。メロディモーフィングは、効率的にメロディのバリエーションを追加可能という特長があるが、その一方で、2つの入力メロディの大局的な構造が一致していなければモーフィングできないという制約があった。そして我々は、制約のないメロディ生成法として、メロディ分析の逆過程にあたるメロディレンダリングを実現した。分析では、メロディから構造を求めるが、レンダリングは分析された構造とメロディを切り離し、構造のみからそれに対応するメロディを再生成する。音楽の専門家がGTTMに基づき手作業で分析したデータは現在までに300曲しかなくそのままでは、深層ネットワークを学習させることが困難であったため、音符を1つづつ簡約する、逐次簡約を提案し、学習データが不足する問題を解消した。逐次簡約によるデータを用いて深層ネットワークを学習させたところ、逐次レンダリングが可能であることを確認した。今後、逐次レンダリングを任意の回数適用して、メロディレンダリングを自動で適用できるようなメロディレンダリングエンジンを構築し、作曲家の生産性を向上させるツールや、初心者が音楽制作を体験するアミューズメントツールの実現を目指す。
|
| Research Progress Status |
令和5年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和5年度が最終年度であるため、記入しない。
|
