音乐作品的自动生成方法及装置、存储介质、电子设备与流程

技术特征：
1.一种音乐作品的自动生成方法，包括：接收生成所述音乐作品所需的生成参数，并将所述生成参数输入至预设的音乐生成模型中，得到多个待预测音乐数据；基于预设的音乐真实性判别模型计算各所述待预测音乐数据的预测仿真值，并基于预设的音乐热度计算模型计算各所述待预测音乐数据的预测热度值；根据预测仿真值大于第一预设阈值的待预测音乐数据生成第一数据集，并根据预测热度值大于第二预设阈值的待预测音乐数据生成第二数据集；计算所述第一数据集以及第二数据集的交集，并根据交集计算结果得到所述音乐作品。2.根据权利要求1所述的音乐作品的自动生成方法，其中，所述预设的音乐生成模型中包括多个由多个全连接层以及长短期记忆网络组成的神经网络单元；其中，将所述生成参数输入至预设的音乐生成模型中，得到多个待预测音乐数据，包括：利用所述预设的音乐生成模型中包括第一个神经网络单元中的多个全连接层对所述生成参数进行特征整理，得到所述生成参数的第一特征向量；将所述第一特征向量、预设的随机数向量以及预设的时间特征输入至所述第一个神经网络单元中的长短期记忆网络，得到第一帧输出数据；将所述第一帧输出数据以及所述生成参数输入至其他神经网络单元，得到与其他神经网络单元对应的其他帧输出数据；其中，在所述其他神经网络单元中，上一个神经网络单元的输出，是与其对应的下一个神经网络单元的输入，且每一个其他神经网络单元的输入中还包括与该神经网络单元对应的随机数向量以及时间特征；根据所述其他帧输出数据的输出顺序，对所述第一帧输出数据以及其他帧输出数据进行拼接，得到所述多个待预测音乐数据。3.根据权利要求1所述的音乐作品的自动生成方法，其中，所述预设的音乐真实性判别模型中包括多层卷积神经网络、由两个长短期记忆网络以及一个隐藏层构成的多个并列连接的中间层以及多个全连接层；其中，基于预设的音乐真实性判别模型计算各所述待预测音乐数据的预测仿真值，包括：利用所述多层卷积神经网络提取所述待预测音乐数据的第二特征向量；利用所述中间层对所述第二特征向量进行时序特征关联，并利用所述多个全连接层对时序特征关联后的第二特征向量进行预测，得到所述预测仿真值。4.根据权利要求1所述的音乐作品的自动生成方法，其中，所述音乐作品的自动生成方法还包括：获取原始音乐数据，并从所述原始音乐数据中筛选通过人工创作的音乐，以生成真实音乐数据集；将随机输入参数输入至第一待训练的神经网络模型中，得到多个仿真音乐，并根据各所述仿真音乐生成第一仿真音乐数据集；根据所述真实音乐数据集以及第一仿真音乐数据集生成带标签的真实音乐判别数据集，并利用所述带标签的真实音乐判别数据集对第二待训练的神经网络模型进行训练，得
到所述预设的音乐真实性判别模型。5.根据权利要求4所述的音乐作品的自动生成方法，其中，所述音乐作品的自动生成方法还包括：获取所述真实音乐数据集中所包括的音乐的热度值，并根据所述热度值以及所述真实音乐数据集，生成带标签的热度数据集；利用所述带标签的热度数据集对第三待训练的神经网络模型进行训练，得到所述预设的音乐热度计算模型。6.根据权利要求5所述的音乐作品的自动生成方法，其中，所述音乐作品的自动生成方法还包括：利用所述预设的音乐真实性判别模型计算所述第一仿真音乐数据集中所包括的仿真音乐的第一热度偏差值；利用所述预设的音乐热度计算模型计算所述第一仿真音乐数据集中所包括的仿真音乐的第一真实性偏差值；根据所述随机输入参数、所述第一热度偏差值以及所述第一真实性偏差值对所述第一待训练的神经网络模型进行训练，得到所述预设的音乐生成模型。7.根据权利要求6所述的音乐作品的自动生成方法，其中，根据所述随机输入参数、所述热度偏差值以及所述真实性偏差值对所述第一待训练的神经网络模型进行训练，得到所述预设的音乐生成模型，包括：根据所述第一热度偏差值以及第一真实性偏差值构建第一损失函数，并将所述随机输入参数再次输入至所述第一待训练的神经网络模型中，得到第二仿真音乐数据集；计算所述第二仿真音乐数据集中所包括的仿真音乐的第二热度偏差值以及第二真实性偏差值，并根据所述第二热度偏差值以及第二真实性偏差值生成第二损失函数；重复所述第二损失函数的生成步骤，以得到多个其他损失函数，并基于各所述损失函数对所述第一待训练的神经网络模型中所包括的参数进行调整，得到所述预设的音乐生成模型。8.一种音乐作品的自动生成装置，包括：待预测数据生成模块，用于接收生成所述音乐作品所需的生成参数，并将所述生成参数输入至预设的音乐生成模型中，得到多个待预测音乐数据；第一计算模块，用于基于预设的音乐真实性判别模型计算各所述待预测音乐数据的预测仿真值，并基于预设的音乐热度计算模型计算各所述待预测音乐数据的预测热度值；第一数据集生成模块，用于根据预测仿真值大于第一预设阈值的待预测音乐数据生成第一数据集，并根据预测热度值大于第二预设阈值的待预测音乐数据生成第二数据集；音乐作品生成模块，用于计算所述第一数据集以及第二数据集的交集，并根据交集计算结果得到所述音乐作品。9.根据权利要求8所述的音乐作品的自动生成装置，其中，所述预设的音乐生成模型中包括多个由多个全连接层以及长短期记忆网络组成的神经网络单元；其中，将所述生成参数输入至预设的音乐生成模型中，得到多个待预测音乐数据，包括：利用所述预设的音乐生成模型中包括第一个神经网络单元中的多个全连接层对所述
生成参数进行特征整理，得到所述生成参数的第一特征向量；将所述第一特征向量、预设的随机数向量以及预设的时间特征输入至所述第一个神经网络单元中的长短期记忆网络，得到第一帧输出数据；将所述第一帧输出数据以及所述生成参数输入至其他神经网络单元，得到与其他神经网络单元对应的其他帧输出数据；其中，在所述其他神经网络单元中，上一个神经网络单元的输出，是与其对应的下一个神经网络单元的输入，且每一个其他神经网络单元的输入中还包括与该神经网络单元对应的随机数向量以及时间特征；根据所述其他帧输出数据的输出顺序，对所述第一帧输出数据以及其他帧输出数据进行拼接，得到所述多个待预测音乐数据。10.根据权利要求8所述的音乐作品的自动生成装置，其中，所述预设的音乐真实性判别模型中包括多层卷积神经网络、由两个长短期记忆网络以及一个隐藏层构成的多个并列连接的中间层以及多个全连接层；其中，基于预设的音乐真实性判别模型计算各所述待预测音乐数据的预测仿真值，包括：利用所述多层卷积神经网络提取所述待预测音乐数据的第二特征向量；利用所述中间层对所述第二特征向量进行时序特征关联，并利用所述多个全连接层对时序特征关联后的第二特征向量进行预测，得到所述预测仿真值。11.根据权利要求8所述的音乐作品的自动生成装置，其中，所述音乐作品的自动生成装置还包括：数据获取模块，用于获取原始音乐数据，并从所述原始音乐数据中筛选通过人工创作的音乐，以生成真实音乐数据集；第二数据集生成模块，用于将随机输入参数输入至第一待训练的神经网络模型中，得到多个仿真音乐，并根据各所述仿真音乐生成第一仿真音乐数据集；第一模型训练模块，用于根据所述真实音乐数据集以及第一仿真音乐数据集生成带标签的真实音乐判别数据集，并利用所述带标签的真实音乐判别数据集对第二待训练的神经网络模型进行训练，得到所述预设的音乐真实性判别模型。12.根据权利要求11所述的音乐作品的自动生成装置，其中，所述音乐作品的自动生成装置还包括：第三数据集生成模块，用于获取所述真实音乐数据集中所包括的音乐的热度值，并根据所述热度值以及所述真实音乐数据集，生成带标签的热度数据集；第二模型训练模块，用于利用所述带标签的热度数据集对第三待训练的神经网络模型进行训练，得到所述预设的音乐热度计算模型。13.根据权利要求12所述的音乐作品的自动生成装置，其中，所述音乐作品的自动生成装置还包括：第二计算模块，用于利用所述预设的音乐真实性判别模型计算所述第一仿真音乐数据集中所包括的仿真音乐的第一热度偏差值；第三计算模块，用于利用所述预设的音乐热度计算模型计算所述第一仿真音乐数据集中所包括的仿真音乐的第一真实性偏差值；第三模型训练模块，用于根据所述随机输入参数、所述第一热度偏差值以及所述第一
真实性偏差值对所述第一待训练的神经网络模型进行训练，得到所述预设的音乐生成模型。14.根据权利要求13所述的音乐作品的自动生成装置，其中，根据所述随机输入参数、所述热度偏差值以及所述真实性偏差值对所述第一待训练的神经网络模型进行训练，得到所述预设的音乐生成模型，包括：根据所述第一热度偏差值以及第一真实性偏差值构建第一损失函数，并将所述随机输入参数再次输入至所述第一待训练的神经网络模型中，得到第二仿真音乐数据集；计算所述第二仿真音乐数据集中所包括的仿真音乐的第二热度偏差值以及第二真实性偏差值，并根据所述第二热度偏差值以及第二真实性偏差值生成第二损失函数；重复所述第二损失函数的生成步骤，以得到多个其他损失函数，并基于各所述损失函数对所述第一待训练的神经网络模型中所包括的参数进行调整，得到所述预设的音乐生成模型。15.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1
‑
7任一项所述的音乐作品的自动生成方法。16.一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1
‑
7任一项所述的音乐作品的自动生成方法。