AI與音樂的關係

AI這兩年是沸沸揚揚，都說AI要取代人類的大多數工作了。其他的我不熟，音樂方面還可以，這次特地請來兩位在這領域裡的國際知名傑出學者在6/21日來演講，為大家釋疑，他們的摘要附於文末。

其實AI的初期，音樂是一個AI用來評估效能的領域之一，舉凡音樂學，作曲等等浩瀚的音樂領域裡面，例如，以AI來續巴哈未完成的作品就是其一。

事實上，蘇黎老師提到的自動採譜技術，過去也有不少研究是使用機器學習的，但是都不是太成功，所以自來所用的方法還是來自比較傳統的訊號處理方法。事實上，多年來，訊號處理與機器學習已經有多處是重疊的了，以前史丹佛大學的Widrow教授不僅是適應性訊號分析的大師，也是機器學習的大師。

拜深度學習之賜，很多人對於機器學習方法在自動採譜上又燃起一線希望，不僅是我的實驗室有類似研究，國際上這幾年也可以再次看見這些方法。從我們的經驗上來看，確實在準確度上比過去的機器學習方法要好上不少，不過目前的準確率還是傳統方法較高，期待不久的將來，這件事可以被打破，畢竟整體準確率的提升這幾年確實趨緩了。

但是機器學習可不是只有在採譜一事，楊奕軒老師為我們展示了更多音樂上的應用，而機器學習在這些新的應用領域確實扮演了很重要的角色，這些是傳統的訊號處理所處理不好的。當今，連聲音的情緒，演奏的表情這些較為形而上的特徵都是機器學習可以著力之處。

但是老實說，音樂之迷人在於其抽象的意念，而抽象的意念卻正是人類遠比AI來得厲害之處。要機器解析這些意念，首先必須建立機器可以為功的資料庫，這個資料庫到底要多大？兩位老師都說，要很大，大到多少才足夠？以機器學習來說，它沒見過的樣本是不容易學得好的，所以這個問題目前很難有答案。

不管是採譜或是其他的辨識，準確度要到多少才可以真正進入應用的階段？很難說，也許語音辨識技術可以給我們一個提示。老實來說，語音辨識的準確度目前是遠高於音樂方面的議題，也就是說，還很有得做。

我常說，Google在做的研究我會先放棄，確實Google也在音樂上面開始著力，大家可以去參考一下。但是需要怕嗎？其實還好，音樂的題目跟影像比起來，實在多到不像話，有些甚至沒太多人敢碰。以音樂演奏的工程定量分析來看，就實在是不多。

就是因為目前做得都不夠好，每當有人問我有什麼Killer Applications時，我都很無奈的說，我要是知道我就去做了。也就是說，我做了幾十年，春天都還沒到，但是對下一個世代來說，不是剛好嗎？也許過幾年整體技術進步了，就剛好趕上了。

想想看，台灣語音辨識的先驅李老師不就差一點點就可以開發出 Siri了嗎？這差一點還真是差很多啊！

回過頭來看，我們要怕AI嗎？其實一點也不會，因為我們知道這個實在難，但是實在有趣，有趣到讓人一輩子苦哈哈地做研究，卻看不到盡頭也不會後悔。

說到這裡，還是要呼籲對音樂有夢想，可是卻被爸爸媽媽逼著來學寫程式與設計電路之類的同學進來這個領域。

勾引你們一下。這個領域因為人才難找（想想看一個身體裡面要裝進科技與藝術兩種截然不同的靈魂這件事還真難），即使國內這個產業不夠興旺，但是國外可是溫熱著呢！不信嗎？今年我學生才剛剛拿到兩個國家的offer，最後跑去日本了。

來吧！我等你！

楊奕軒老師演講摘要：

題目: 機器學習 x 音樂

摘要: 在今天的演講我將概括描述以資工人的角度來說，音樂作為一種研究或是應用的題材有什麼有趣的問題，以及我們可以怎麼運用資訊領域的技術，尤其是機器學習的技術，來解決音樂相關的問題。演講的前半段是比較概括性的描述，而後半段我將透過展示過去幾年我們在中研院資創中心的實驗室所開發的幾項系統，作為實際的例子來說明機器學習可以如何被應用於不同的問題上，包含音樂分類、音樂推薦、與音樂生成。

蘇黎老師演講摘要：

題目:：音樂自動採譜簡介
摘要：發展下一代音樂人工智慧所面臨最大的挑戰之一，是如何讓機器對音樂具備有如音樂家一般的專業理解能力，而自動採譜會是解決此問題的重要技術。其問題設定與目標，通常是以實際演奏之音樂訊號為輸入，經由訊號處理與機器學習之演算法，解析音樂中的時間、音高、和弦、樂器、節奏乃至結構等資訊，並輸出原譜，進而讓機器釐清作曲家所創造、或演奏者所詮釋之音樂意涵。本演講將從樂理、樂器物理、數位訊號處理與機器學習等多個不同面向出發，討論自動採譜問題之定義、挑戰、發展過程、常用技術以及未來的發展趨勢，並介紹自動採譜技術如何幫助我們學習、賞析音樂，以及自動採譜在音樂製作、娛樂、和音樂學研究上的應用。