一种基于符号语义的异构音乐数据融合方法及系统

1.本发明涉及异构数据融合领域和音乐信息学分析领域，尤其涉及一种基于符号语义的异构音乐数据的融合方法及系统。


背景技术：

2.近年来，互联网时代的流媒体技术快速发展，以不同编制和存储方式存在于网络上的音乐数据为发行商、作曲家和网络用户等角色的创作和使用带来了便利，但是音乐数据的异构性带来的语义鸿沟也是阻碍数据互操作和创作生态发展的难题。如果没有适宜的异构融合技术，网络上繁复冗杂的音乐数据将为人们带来数据解析、音乐语义解读和质量评估的负担，原本的创作生态将无法继续发展。
3.音乐数据的异构性主要源于两方面。一方面，音乐本身存在复杂多样的符号描述和创作语言体系，音乐数据的构建和存储需要传递原本体系的语义信息，也能适应流媒体分析与处理技术的特性；另一方面，广泛存在于互联网中的音乐数据为了服务于不同的角色，通常以不同的编制形式和数据格式表述和存储同一份音乐。例如，给定同一音乐名称，当前的互联网传播着多种编制方式和格式的音乐数据文件，这些音乐数据文件传递着相近的语义，也发挥着不同的优势：midi文件有精准的时间描述，音频文件通过响度和音色区分旋律和和弦，五线谱标注和指法标注有更丰富的装饰变化。
4.目前，分析和处理异构音乐数据的方法通常是对每一种编制方式下的数据预测特定的类别标签，再对每一种编制方式下的数据进行分段对齐和标签集成，在集成过程中通过对标签进行统计投票，优先集成在多种编制方式中频数高的标签作为最终预测结果。以上的异构解析和融合方法存在着显而易见的缺点：(1)针对每一种编制方式的音乐数据的分析方法较为固定，无法利用编制方式之间潜在的语义联系；(2)语义联系无法利用，则无法对缺失或错误的中间结果进行校正；(3)异构数据分析结果仅适用于一种应用任务评估，而无法复用于相关音乐信息学分析任务。
5.综上所述，针对现有方法的不足，有必要利用异构数据解析得到表示多种音乐模态的符号序列，以还原多种模态的音乐数据为学习目标，对符号序列进行语义解读和融合，以保持和调控多种语义属性为训练目标，对多模态的音乐数据进行生成和改编；再设计出相应可控的转录方法、定制化的检索和推荐方法，以此高效利用异构的音乐数据，有效解决异构数据解析、音乐语义解读和多维度的音乐生成质量评估等问题。


技术实现要素：

6.针对异构的音乐数据存在创作生态与语言难以统一、数据稀疏且数据分析方式相互独立、语义联系复杂和音乐数据质量难以评估等问题，本发明提供一种基于符号语义的异构音乐数据融合方法和系统，可以从语义解析过程中获得不同维度的语义属性并加以约束，实现可解释、可控制的音乐数据融合与生成，从而解决异构数据解析、音乐语义解读和多维度的音乐生成质量评估等问题，提供可控的融合数据为下游应用提供服务。
7.本发明提供了如下技术方案：
8.第一个方面，本发明提供了一种基于符号语义的异构音乐数据融合方法，包括以下步骤：
9.步骤1，异构音乐数据获取和特征抽取，经过数据预处理得到异构音乐数据的基本信息和每种数据结构独特的特征，得到关联好的异构音乐数据及其统一的标注序列；
10.步骤2，定义符号语义解析模型，利用符号语义解析模型从关联好的异构音乐数据及其统一的标注序列中获得稳定的符号语义观测空间，从所述的稳定的符号语义观测空间中获得显著的语义属性和可控的语义约束；
11.步骤3，根据对显著的语义属性和可控的语义约束的调整，还原或生成符合特定语义约束的改编数据。
12.第二个方面，本发明提供了一种基于符号语义的异构音乐数据融合系统，用于实现上述的异构音乐数据融合方法。
13.与现有技术相比，本发明的有益效果为：
14.(1)本发明能够获取多种数据格式和多种模态的音乐数据，为异构数据建立符号语义解析的基础框架；
15.(2)本发明能够识别和悬置异构数据中形式与语义模糊的符号，有利于大规模分析并融合现有的异构音乐数据；
16.(3)本发明能够实现多种语义属性的识别和多种语义约束的嵌入，有利于后续通过语义解析补全和生成相应的数据内容。
附图说明
17.图1为根据一示例性实施例示出的基于符号语义的异构音乐数据融合系统的架构示意图；
18.图2为根据一示例性实施例示出的异构数据的解析方法示意图；
19.图3为根据一示例性实施例示出的基于vae模型的语义解析模型结构示意图。
具体实施方式
20.下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
21.本发明面向异构音乐数据，利用符号语义进行异构解析和融合生成，并借助vae模型实现融合生成，提供符号语义的解读和控制方式，有利于缓解音乐数据的异构性，提供可解释、可比较、可重复使用的融合信息。
22.在本发明的一项具体实施中，一种基于符号语义的异构音乐数据融合方法，主要包括以下步骤：
23.步骤1，异构音乐数据获取和特征抽取，经过数据预处理得到异构音乐数据的基本信息和每种数据结构独特的特征，得到关联好的异构音乐数据及其统一的标注序列；
24.步骤2，定义符号语义解析模型，利用符号语义解析模型从关联好的异构音乐数据及其统一的标注序列中获得稳定的符号语义观测空间，从所述的稳定的符号语义观测空间中获得显著的语义属性和可控的语义约束；
25.步骤3，根据对显著的语义属性和可控的语义约束的调整，还原或生成符合特定语义约束的改编数据。
26.在本实施例中，在步骤1的一项具体实施过程为：
27.(1-1)搜索和收集来自不同网站、以不同数据格式编制的异构音乐数据，包括midi文件、音频文件、五线谱标注文件、指法标注文件，收集乐曲名称、流派标签、作曲者标签等基本信息；
28.(1-2)对midi文件进行数据分析，抽取多个音轨的音高序列及其时长，将其转换为图2中示出的节奏区间序列、音高集合序列、色度向量序列，进而得到节拍符号标注、旋律符号标注、和弦符号标注。
29.(1-3)对音频文件进行数据分析，提取频域特征和时域特征，以此进行音源分离、段落识别和音高估计，获取音高集合及其序列将其转换为图2中示出的段落分布序列、音高分布序列和音色分布序列，进而得到结构符号标注、旋律符号标注、和弦符号标注。
30.(1-4)对五线谱标注文件和指法标注文件进行数据分析，提取节拍标识符、基调标识符、和弦标识符、指位标识符、循环标识符、装饰标识符、段落结构名和未知占位符，进而得到节拍符号标注、结构符号标注、旋律符号标注、和弦符号标注、演奏符号标注、未知符号标注，具体提取方法包括：
31.(1-4a)针对五线谱标注文件，使用music21软件提取乐谱布局，以及调号、音高集合(组合分段的和弦)、装饰标识符等信息，将上述信息转化为基调标识符、和弦标识符、指位标识符、循环标识符、装饰标识符，进而得到节拍符号标注、结构符号标注、旋律符号标注、和弦符号标注、演奏符号标注；
32.(1-4b)针对指法标注文件，提取节拍标识符和基调标识符，根据节拍标识符进而得到节拍符号标注；
33.提取每个片段的指位对应的音高集合和出现顺序，得到指位标识符，进而得到旋律符号标注、和弦符号标注、演奏符号标注；
34.提取每个片段出现的和弦标识符，根据和弦标识符蕴含的音级关联，区分出片段中音高集合的根音、辅音和多余的装饰音，得到装饰标识符，进而得到演奏符号标注；
35.若存在旋律标注，提取每个片段的旋律符号标注，验证由和弦标识符推测出的根音序列组成的旋律的准确性，记录存在差异的根音符号标注及其位置，得到未知占位符，进而得到未知符号标注；
36.若存在段落结构名，记录段落结构名；若存在循环标识符，进行标记，将该段落复制展平；根据段落结构名和循环标识符得到结构符号标注；
37.针对完整的指法标注文件，提取每个片段中指位对应的音高集合和出现顺序(指位标识符)、和弦标识符、代表旋律的数字序列和段落结构名序列，依据段落结构名、旋律标注以及和弦标识符，区分出音高集合中构成旋律的根音、构成和弦的辅音、装饰标识符、循环标识符和未知占位符。
38.针对简化的指法标注文件，仅提取每个片段中指位对应的音高集合及其出现顺序、和弦标识符；
39.(1-5)针对(1-2)～(1-4)识别和抽取得到的符号和统计性的数据特征、以及对应的时间片段，通过调性等价性计算和结构化对齐等两种技术，对异构音乐数据相同和独特
的特征进行关联。
40.依据本发明定义，异构音乐数据的编制格式包括但不限于midi文件、音频文件、五线谱标注文件、指法标注文件。在这些特定类型的异构数据中，近似的音乐语义分布和体现在节拍、结构、旋律、和弦和演奏等符号的多样的布局上。
41.关联：时间和音调上对齐，根据关联好的异构音乐数据得到统一的标注序列(详见图2)。
42.在本实施例中，在步骤2的一项具体实施过程为：
43.2.1定义标签(流派标签、作曲者标签)信息的编码和学习方式：
44.根据标签t(流派标签、作曲者标签)的先验分布，对异构音乐数据集中的流派子集和作曲者子集进行划分，获得数量均匀的数据集；从数量均匀的流派子集和作曲者子集中提取音色分布、和弦符号和节拍号等(常见于音乐流派分析的)特征，并进行one-hot编码，得到标签语义分布z；针对关联好的异构音乐数据及其统一的标注序列(异构数据x)，经过vae编码器获得特征编码
45.将标签语义分布z和特征编码拼接，用于后续训练过程中的对比学习；围绕流派和作曲者等多分类标签预测学习器的目标函数为：
[0046][0047]
其中，f
composer
(.)为和f
genre
(.)均为多标签分类器，cce(.)表示多类别交叉熵的计算，h为对比学习的训练参数，t是流派标签、作曲者标签的总数量，表示特征编码中的第i个向量，zi表示标签语义分布z中的第i个向量；h
composer
表示作曲者信息的训练参数，h
genre
表示流派信息的训练参数，composer_label表示作曲者标签，genre_label表示流派标签。
[0048]
2.2定义符号序列信息的编码和学习方式：
[0049]
对关联好的异构音乐数据及其统一的标注序列(异构数据x)中已识别的节拍、结构、旋律、和弦、演奏和未知占位符等符号进行one-hot编码，用vae编码器对四种类型的相关联的异构数据和统一的标注序列进行编码，再分别将vae编码器中的两个rnn模型编码得到的语义属性进行量化，其中量化模型为混合高斯模型，量化过程调节μ和σ进而获得到的语义属性进行量化，其中量化模型为混合高斯模型，量化过程调节μ和σ进而获得服从于n(μ,diag(σ2))。μ和σ构成采样空间。
[0050]
使用六种掩码对节拍、结构、旋律、和弦、演奏和未知占位符六种符号进行遮盖，额外采用4节、8节、16节长度的三种掩码对编码结果进行遮盖，以旋律召回率和和弦符号召回率为主导目标函数l
reconstruction
进行学习，恢复被遮盖的部分；目标函数l
reconstruction
的构成如下所示：
[0051]
[0052][0053]
其中，l
rhythm-recall
表示旋律召回率，l
chord-recall
表示和弦召回率；s表示分隔为16节长度的节奏区间的总数，表示第s个16节节奏区间内的旋律召回率，表示第s个16节节奏区间内的和弦召回率；类似地，2s表示分隔为8节长度的节奏区间的总数，表示第s
′
个8节节奏区间内的旋律召回率，表示第s
′
个8节节奏区间内的和弦召回率，4s表示分隔为4节长度的节奏区间的总数，表示第s
″
个4节节奏区间内的旋律召回率，表示第s
″
个4节节奏区间内的和弦召回率。
[0054]
2.3定义语义属性及其验证指标
[0055]
定义64维的承载语义属性和约束的隐变量空间，用于对样本和已知特征的特征编码进行采样学习，获得函数g和函数q的后验参数值进行属性观测；在隐变量空间中，采样学习停止的理想条件即得到显著的语义属性是：每一个隐变量的采样结果都能满足下式：
[0056][0057]
此时可获得稳定的语义观测空间，从隐变量空间学习到稳定的语义观测空间的目标函数是：
[0058][0059]zattr
表示异构音乐数据中稳定的语义属性，获得语义属性的条件是表示异构音乐数据中稳定的语义属性，获得语义属性的条件是
[0060]
其中，d(.)表示g函数和q函数之间的距离计算函数，g(.)表示特征编码的量化结果，q(.)表示对特征编码的量化结果的反向调节结果，表示特征编码经过采样后呈现在隐变量空间中的一个语义属性，表示第r个显著的语义属性，r表示显著的语义属性的数量，μ表示对g函数中的量化参数，特指语义属性之间的均值，σ2表示g函数中的量化参数，特指语义属性之间的方差，q表示对特征编码的反向调节参数，a表示被验证为明显的语义属性，即q
attr
，表示语义属性在明显的语义属性a的约束下生成的学习参数，x表示某一首乐曲的原始异构数据及其统一的标注序列，表示生成的异构数据及其统一的标注序列。
[0061]
2.4定义高解析度和高保真度的还原符号序列的目标函数：
[0062]
l＝α
·
l
reconstruction
β
·
l
regularization
γ
·
l
context
[0063]
其中，l
reconstructiaon
表示旋律特征、和弦特征和其他特征的解耦和恢复程度，l
regularization
表示语义属性和语义约束的可控程度，l
context
表示流派标签、作曲者标签等信息在隐变量空间的内聚与耦合程度，α、β、γ为权重；本实施例中，通过设置一定的epoch数量，用如图3所示的vae编解码结构和额外的标签与约束对进行分阶段的迭代训练。
[0064]
利用上述目标函数对符号语义解析模型训练后，得到显著的语义属性a和可控参数μ、σ2、q。
[0065]
在本实施例中，在步骤3的一项具体实施过程为：
[0066]
3.1用户根据稳定的符号语义观测空间和显著的语义属性，选择语义约束嵌入vae解码器中，获得密度测量后的潜在的语义属性a
′
和可控参数σc、μc、q
attr
；
[0067]
(3.1-a)稳定的符号语义观测空间中的第一观测基底来自于采样空间中表示节拍、结构、旋律、和弦和演奏等符号标注的向量，是第一观测基底上的数值，服从于n(μc,diag(σc))分布，ck是隐变量空间中的第k个约束，μc和σc是在采样空间的约束分布μ、σ2的基础上采样学习并反馈传播得到的控制参数。第二观测基底是隐变量空间中的显著的语义属性a，是第二观测基底上的数值；若不同语义属性的μc的分布是均匀的，并且经由参数计算获得的均匀分布于第二观测基底，即两个观测基底上的分布密度都是均匀的，则将计算获得的作为潜在的语义属性a
′
。
[0068]
(3.1-b)第一观测基底和第二观测基底构成二维的符号语义观测空间，通过选择不同的采样空间的约束分布μ、σ2和语义属性的学习参数q
attr
在二维的符号语义观测空间进行观测，采用距离计算函数d(.)计算a和a
′
之间的欧氏距离。当d(a,a
′
)＝0时，表示潜在的语义属性a
′
和原有显著的语义属性a相同，表示语义约束嵌入失败，潜在的语义属性不可控；当d(a,a
′
)服从单调关系，并且语义属性a
′
随着坐标轴均匀发生变化，表示语义约束嵌入成功，即新形成的潜在的语义属性a
′
受到可控的约束，记为语义约束c，从而能够获得可预测的生成结果。
[0069]
本步骤中，所述的原有显著的语义属性a和新形成的潜在的语义属性a
′
的单调关系的计算过程包括：
[0070]
a.提取原有的显著的语义属性a和潜在的语义属性a
′
，设定同一流派或者作曲者发布的乐谱或音频样本在采样空间之内和隐变量空间之内的临近数据点的距离分别为和其中，m表示显著的语义属性和潜在语义属性的总体数量，n表示隐变量的总体数量，表示在隐变量空间中第m种语义属性下的第i个采样结果，表示在隐变量空间中第m种语义属性下的第j个采样结果，表示第n个隐变量采样学习参数的权重，表示第n个隐变量反向调节参数的权重，等价于等价于表示表示表示在隐变量空间所有具备第m种语义属性的异构数据的采样结果，表示在隐变量空间所有不具备第m种语义属性的异构数据的采样结果。
[0071]
b.给定具有某种语义属性的样本，与其属于相同流派或作曲者的另一样本之间的采样空间距离为dq′
，属于不同流派或作曲者的样本之间的采样距离为d
″q，属于相同流派或作曲者的另一样本之间的隐变量空间距离为dz′
，属于不同流派或作曲者的样本之间的隐变量空间距离为d
″z，；若d
′q《d
″q且dz′
《d
″z，验证潜在的语义属性a
′
存在；
[0072]
c.选择存在的潜在的语义属性a
′
，当同一流派或作曲家的所有异构数据获得的语义属性及其差异满足dq(a,a
′
)》dz(a,a
′
)，则证明样本点在隐变量空间、采样空间和样本空间均服从单调关系，语义属性受到可控的约束，从中可获得语义约束c。
[0073]
(3.1-c)对语义属性a或a
′
进行线性插值，计算作为语义约束对属性观测空间的影响程度；其中表示在隐变量空间中第m种语义属性下采
样结果之间的距离总和，sgn(dz)表示在采样空间中语义属性之间的距离总和；
[0074]
观测语义约束对属性观测空间的影响程度，同时调节采样空间和隐变量空间每一维度的控制参数σ、μ、q，并记录语义属性的变化范围和其余特征的波动情况，直至原有的语义属性不复存在；记录单个语义属性的控制参数q的可调节范围和受影响的采样学习参数的权重反向传播获得σc、μc、q
attr
等控制参数
[0075]
3.2通过密度测量后的潜在的语义属性a
′
和可控参数σc、μc、q
attr
，控制乐段的补全和生成。
[0076]
在补全过程中，在向量量化空间中，通过原有的显著的语义属性a和潜在的语义属性a
′
对经过采样和反向调节的特征编码进行解码，由vae解码器计算得到新的符号标注；其中表示新生成的长度为s
″
的异构音乐片段，a＝{a,a
′
}为受控语义属性的集合。vae解码器由rnn和transformer结构组成，解码器用于还原异构数据的目标函数为l
reconstruction
。
[0077]
在生成过程中，解码器用于生成异构音乐数据的目标函数为
[0078]
l
improvisation
＝δ
·
l
regularization
l
rhythm-consistency
l
chord-consistency
[0079]
其中l
improvisation
体现原始特征的联合稳定程度，l
regularization
体现语义属性和语义约束的可控程度，l
rhythm-consistency
体现新旋律与原旋律的偏移程度，l
chord-consistency
体现和弦行进的和谐度。
[0080]
由vae解码器计算得到新生成的符号标注，其中表示新生成的所有乐曲曲目的异构音乐数据。
[0081]
控制参数σc、μc、q
attr
从而控制多重语义属性的生成粒度。举例而言，l
rhythm-consistency
用于计算主旋律音高序列和循环结构对比原旋律的召回率，可以围绕和弦相关的语义属性进行即兴生成；l
chord-consistency
用于定义和弦符号的音级关系(如大三和弦、小三和弦、五和弦、七和弦等符号模式)计算模式粒度的一致性，可以围绕和弦相关的语义属性进行即兴生成。
[0082]
最终l
improvisation
是可控生成的总体目标函数；在transformer结构中进行训练和生成；从而探索乐曲改编的可行空间。
[0083]
基于以上实施步骤，用户可根据精细的符号语义解析，对异构的音乐数据进行理解，在潜在空间进行多维度的对齐和融合，从而设计相应的可控的转录方法、定制化的检索方法和灵活的生成与探索方法。
[0084]
在本实施例中还提供了一种基于符号语义的异构音乐数据融合系统，该系统用于实现上述实施例，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能的。
[0085]
所述的系统包括：
[0086]
异构数据获取模块，其用于异构音乐数据获取和特征抽取，经过数据预处理得到异构音乐数据的基本信息和每种数据结构独特的特征，得到关联好的异构音乐数据及其统一的标注序列；
[0087]
符号语义解析模块，其用于定义符号语义解析模型，利用符号语义解析模型从关
联好的异构音乐数据及其统一的标注序列中获得稳定的符号语义观测空间，从所述的稳定的符号语义观测空间中获得显著的语义属性和可控的语义约束；
[0088]
融合生成模块，其用于根据对显著的语义属性和可控的语义约束的调整，还原或生成符合特定语义约束的改编数据。
[0089]
此外，还可以在系统中设计配置交互模块，配置交互模块负责整个系统与用户的交互，以便于用户解析异构数据和在多重属性密度视角下观测并控制语义属性。
[0090]
上述系统的一种可选的工作过程如下：
[0091]
(1)异构数据获取模块对异构音乐数据获取和特征抽取，经过数据预处理得到异构音乐数据的基本信息和每种数据结构独特的特征，得到关联好的异构音乐数据及其统一的标注序列；
[0092]
(1.1)收集图像、音频和midi文件等异构音乐数据，将异构数据的多粒度时间片段两两对齐，提取多种感知特征与和弦符号序列；数据分析的流程和对象如图1所示。
[0093]
(1.2)段落对齐、等价性计算，具体步骤如下：
[0094]
首先，对midi文件的低音音轨提取的主旋律序列和指法标注文件的旋律序列与结构片段名序列进行关联；
[0095]
其次，对midi文件的低音音轨提取的主旋律序列、所有音高集合组成的色度向量序列与音频文件中的音高序列进行关联，对midi文件的多种配器音轨与音频中的音色分布进行关联，由此区分旋律、和弦以及其他装饰音；使用动态时间规整(dynamic time wrapping,dtw)算法计算来自音频文件和来自midi文件的色度图谱的相似度矩阵，分解出距离矩阵和路径矩阵，由最短路径确定最相似的音频乐段和midi乐段。标记相似度低于一定阈值的音符和片段；
[0096]
再次，对指法标注文件的旋律序列与音频文件中提取的音高序列进行关联，对指法标注中的和弦标识符和音频文件中估计得到的和弦符号进行关联，对指法标注中的循环装饰符和音频文件中循环段落标注进行关联；对指法标注中的未知标识符以及音频文件中无法匹配的和弦符号进行标记；对基调的等价性计算公式是：
[0097]
rot(x,n,i)＝(x＜＜i)|(x＞＞(n-i))&(2
n-1)
[0098]
reduce(x,n)＝min({rot(x,n,i):0≤i《n})
[0099]
pcd(x)＝reduce(x,12)
[0100]
通过rot算法的调性等价性计算，移调的乐谱或音质较低的音频可以获得更多关联的解析结果。在general chord type的和弦标识结构中，pcd(x)的计算结果可将精细的和弦层次归并为大类的和弦标识符，简化和弦符号的表示与学习，降低语义解析精度，但不丢失原有的和谐性。
[0101]
最后，根据数据中已知的调号范围和调性等价性计算公式所计算的半音关系对异构音乐数据的标识符进行消融合并，增强已有的关联；形成附带未知占位符和多个候选音符集合的旋律序列与和弦序列。
[0102]
(2)符号语义解析模块定义符号语义解析模型，利用符号语义解析模型从关联好的异构音乐数据及其统一的标注序列中获得稳定的符号语义观测空间，从所述的稳定的符号语义观测空间中获得显著的语义属性和可控的语义约束；
[0103]
(2.1)采用rnn和可对比的掩码对多种符号序列进行采样学习；其中μ、σ、q等函数
由rnn结构实现，g函数和q函数由transformer结构实现。
[0104]
(2.2)定义待观测的语义属性，例如8节内固定的和弦行进序列，和弦行进序列中相同层次的和弦粒度(如五和弦、七和弦等粒度表现为不同的音高集合)；
[0105]
(2.3)定义重建还原的损失函数，进行训练；
[0106]
(2.4)用户根据语义属性空间的分布和被验证显著的语义属性，选择语义约束嵌入微调阶段或者新的训练阶段的损失函数中，从而控制一部分语义属性在融合生成过程中的作用程度。
[0107]
(3)融合生成模块根据对显著的语义属性和可控的语义约束的调整，还原或生成符合特定语义约束的改编数据。
[0108]
(3.1)通过观测语义属性和语义约束的密度测量结果，观测并验证语义属性和语义约束的影响范围，控制乐段的补全。
[0109]
(3.2)通过观测语义属性和语义约束的密度测量结果，观测并验证语义属性和语义约束的影响范围，控制乐段的生成。
[0110]
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。