ギブスサンプリングを用いたインタラクティブ作曲手法の提案白井亨∗1 谷口忠大∗1 A proposal of an interactive music composition system Akira Shirai∗1 , Tadahiro Taniguchi∗1 Abstract – Recently, music composition using computer software is gathering attentions. Many people want to compose their original music. However, musical composition is still too difficult for beginners to obtain their favorable original music. In this paper, we propose a novel method for generating a melody by using a generative probabilistic model using Gibbs sampler. Furthermore, users can modify the composed music by interacting with the generation process. This method enables users to create their favorable melodies. We also evaluate the probabilistic music composition method by several experiments. Keywords : 芸術・エンタテイメント，知覚・認知，感性・感覚・情動，身体的インタラクション，インタフェースデザイン 1. はじめにないという問題がある．このような問題に対して対話型進化計算を用いユー現在，パソコンの高性能化などによって作曲環境をザの感性をシステムに取り入れて対話的にユーザの曲手軽に手にいれることができるようになった．またフ想に合う楽曲を生成する研究が行われている [3] ．このリーの作曲支援ツールなども多く存在し，初心者に方法を用いることでユーザは自分の曲想に合う楽曲をとって手のつけやすいものになったと言える．しかし，生成することができると言われる．安藤らの研究では実際に作曲を行うためには様々な音楽的知識が必要で作曲を本職とした人向けのシステムを開発しており実あり，これを持っていない音楽初心者にとっては作曲際にプロの作曲家から一定の評価を得ている [5] ．または未だに気楽に取り組めるものではない．また，作曲鈴木らは立体音響の中で仮想的な空間を歩くという方のツール自体も複雑な物が多く，初心者にとってすべ法で音楽初心者のユーザでも直感的に作曲を行うことての機能を使いこなすのは困難である．結局，環境はができるシステムを提案している [4] ．梶原らの研究で容易く導入できるが作曲に至るまでには作曲を行う側は現代音楽の作曲技法である 12 音技法による作曲をに相当な学習が必要であり多くの人々はその入り口地対話型進化計算を用いて実現している [6] ．対話型進化点で躓いてしまうのが現状である．よって，音楽知識計算以外の自動作曲手法では日本語の韻律を制約としを持たない人間の代わりに音楽ルールを学習したコンて動的計画法により自動作曲を行うという手法を提案ピュータが作曲を行うことで楽曲の複雑な構造を理解している [7] や，ニューラルネットワークを用いて楽曲していなくても作曲を行うことのできるシステムの開の構造とイメージを結びつけ，入力されたイメージか発が望まれている．ら最適な楽曲を進化計算によって生成する手法 [8] ，楽そこで，音楽知識を持たない人々でも手軽に作曲を曲をマルコフ確率場で表現し，ある作曲家の特徴を特行うことが出来る自動作曲システム [1] [2] が開発され徴関数で表わすことでその作曲家風の楽曲を生成するている．自動作曲システムではユーザが楽曲イメージ手法 [9] ，カオスニューラルネットワークを用いて新し（ジャズ風，沖縄風，明るい，暗いなど）を選ぶこといメロディーを連続的に生成する手法 [10] などがある．でそのイメージに合う楽曲を生成することが出来る．これらの手法では音楽初心者でも手軽に作曲が行えるしかし，一般的な自動作曲システムでは楽曲イメージように工夫がなされている．しかし，まず対話型進化はあらかじめ用意されたものに限られ，その中にユー計算による作曲手法では解として数十秒から数分あるザの望むイメージがなかった場合作曲を行うことが出メロディーをすべて聞いて評価することになりユーザ来ない．また，楽曲に対して感じるイメージというもの疲労が増大してしまうため，結果的に世代数を少なのは人によって違うと考えられ，イメージから作曲さくする必要があり適切な解に近づけないという問題がれた楽曲が必ずしもユーザの感性と一致するとは限らある．また，対話型進化計算以外の手法では動的計画 *1：立命館大学 *1：Ritsumeikan Univ. 法を用いることが多いが，動的計画法を用いる場合，大域的な評価値などを加えると式が複雑化していき解ノートナンバー)，持続，休符などの情報が格納されの探索が困難になってしまうという問題がある．また，る．ノートを１オクターブに制限した場合の状態集合同じ入力に対しては同じ結果が返ってくるために多様は RS = {60, 61, ..., 72, 1000, 1001} となる．ここで 60 性が損なわれるという問題がある． ∼72 は基準となるドの音から完全 8 度上のドまでをそこで本研究では以上の問題点を踏まえ，ギブスサ表す MIDI ノートナンバーであり 1000 と 1001 はそれンプリングを用いたインタラクティブ作曲手法を提案ぞれ持続と休符を表すものとして使用した．また，c する．本提案手法ではギブスサンプリングにより楽曲にはコード名が格納される．コードの状態集合 Rc はを確率的に生成することで式が複雑化するのを避け，コーパスの種類によって変化する．様々な評価値を容易に導入することが可能となる．ま楽初心者でも手軽に負担を感じることなく趣向にあっ 2. 3 情報抽出次に楽曲コーパスより音高の遷移確率を抽出する．あるコード上での音高遷移確率は以下の式で表わさた楽曲を生成することを目指す．れる．た，システムとユーザのインタラクションによって音 2. 2. 1 提案手法 p(Si |Si−1 , ci ) = 手法概要 C(ci , Si−1 , Si ) C(ci , Si−1 ) (1) ただし C(S) はコーパス上に存在する S の数を表す．ここでコーパスの量が十分であればこのままで良いのだが，コーパスの量が十分でない場合には不確かな遷移や存在しない遷移が現れてしまうという問題がある．よって，不確かな遷移に対してはコード上でのバイグラム音高遷移確率以外の確率をコーパスより抽出し遷移確率のスムージングを行い，存在しない遷移に bigram 対してはベースライン補正を行う．抽出するのはそれぞれコード上での音高出現確率 puni,oncode ，コード情報のない音高出現確率 puni,of f code ，コード情報のない音高遷移確率 pbi,of f code ，ノートをすべて C 上に移動した場合の音高遷移確率 pbi,degree である．また式図 1 提案手法の概念図本研究で提案する手法の概念図を図 1 に示す．まずは既存楽曲を蓄えた楽曲コーパスを定義する．この楽曲コーパスには複数の歌手による楽曲を保存しておくものとする．次に楽曲コーパスより抽出した情報をもとにメロディーを生成する確率モデルを構築する．確率モデルからのメロディー生成にはギブスサンプリン (1) のコード上での音高遷移確率を pbi,oncode とする．それぞれ以下の式で表す． puni,oncode (Si |Si−1 , ci ) = p(Si |ci ) = C(Si ) (3) puni,of f code (Si |Si−1 , ci ) = p(Si ) = ∑ i C(Si ) pbi,of f code (Si |Si−1 , ci ) = p(Si |Si−1 ) = グという手法を用いる．ギブスサンプリングを複数回行うことで複数のメロディーを生成する．ここで生成メロディーに様々な制約を与えることも可能であり， C(ci , Si ) (2) C(ci ) pbi,degree (Si |Si−1 , ci ) = C(Si−1 , Si ) (4) C(Si−1 ) C(d(Si , ci ), d(Si−1 , ci )) (5) C(d(Si−1 , ci )) 今回は見本楽曲からの情報を音楽理論 GTTM によるここで d(・,・) は第二引数で与えられるコード上の音でグルーピング構造とし，これを制約として用いた．こある第一引数の音をコード C 上の音に変換する関数れらの生成されたメロディーに対してユーザがインタである．ラクションを行うことでユーザの趣向に合った楽曲を生成していく． 2. 2 楽曲コーパス既存楽曲をアーティスト毎にデータ化し蓄積したものを楽曲コーパスとして定義する．楽曲はメロデ存在しない遷移に対しては以下の式を足し合わせることでベースライン補正を行う． 1 pbaseline = λ ここで λ はノートの取り得る状態数を表す． (6) ィーのノート列 S = (S1 , S2 , ..., SN ) とコード列 c = 以上の式を用いてスムージングを行うのだが，その (c1 , c2 , ..., cN ) のように N 次元のベクトルで表現され際にそれぞれの重みを wR として表しどの確率に重みる．S には 8 分音符長ごとにメロディーの発音 (MIDI を置くかを決定する．最終的な式は次のようになる． p̂(Si |Si−1 , ci ) = ∑ ∑ wR pR (7) R た，グルーピング構造は本来階層的な構造をとるため exGTTM でも階層構造を求める過程が存在している wR = 1 (8) が，本研究では構造の切れ目となり得る部分の抽出のみを行った． R ただし，R = {(uni, oncode), (uni, of f code) 次からグルーピング構造 Z の抽出方法を記す．まず , (bi, oncode), (bi, of f code), (bi, degree), (baseline)} である． 2. 4 音楽理論 GTTM によるグルーピング構造楽曲コーパスより抽出された音高遷移確率を用いた作曲は言わば当たり障りのない平均的なメロディーを作り出すものである．しかし，本研究の目的はユーザがは 4 つの基本変数を算出する．4 つの変数はそれぞれ，消音時刻から次の発音時刻までの間隔 ρi ，発音時刻間隔 ιi ，音高の差 ηi ，音価の差の絶対値 βi である．基本変数はそれぞれ以下のように表わされる． { τi+1 − εî if τi+1 − εî > =0 ρi = 0 otherwise (9) 新たに望むメロディーの生成であり，平均的なものではない．もちろん生成されたメロディーに対してユー ιi = τi+1 − τi (10) ザがインタラクションを行うことでユーザの曲想に近 ηi = fi+1 − fi (11) βi = |ιi+1 − ιi | (12) づけていくことが可能であると考えられるが，このままではユーザの負担が増えるという対話型進化計算と同様の問題がおこってしまう．そこで生成されるメロディーに対して生成時にある程度制約をかける必要がここで τi は i 番目の音の楽譜上の正規の発音時刻，εi ある．この制約がユーザの感性を反映したものであれは i 番目の音の楽譜上の正規の消音時刻，εî は i 番目ば生成される平均的なメロディーをユーザの感性に合の音の実際の消音時刻，fi は i 番目の音の音高を表しうメロディー方向に引っ張ることが可能であると考えている．時間の単位は 8 分音符長，音高の単位は半音られる．本研究ではその制約として音楽理論 GTTM である．なお，今回は正規の発音時刻と実際の消音時によるグルーピング構造を用いた．刻との差はどの音符でもすべて一定とした．簡約，プロロンゲーション簡約という４つのサブ理論 GPR2，3 は連続する 4 音（n1 , n2 , n3 , n4 ）に関するルールである．i 番目の遷移（i 音目と i + 1 音目の間）が各ルールにより生じる境界の深さは，境界になりうの内のひとつであり，連続したメロディーをフレーズるかそうでないか（0 or 1）で表わされる．グルーピング構造とは音楽理論 GTTM [11] に含まれているグルーピング構造，拍節構造，タイムスパンやモチーフなどの構造に分割するものである．GTTM GPR2a（スラー/休符）では，n2 の終わりから n3 は音楽知識のある人間がどのように楽曲の構造を認知の始まりまでの時間間隔が n1 の終わりから n2 の始ましているかに着目した理論であり，旋律の区切りとリりまでの時間間隔および，n3 の終わりから n4 の始まズムや韻律をもとに，旋律や和声を本質的な部分と装りまでの時間間隔よりも長い場合，グループの境界と飾的な部分に区分する手順が提案されている．この理認識される．GPR2a は次式のように定式化できる． { 1 if ρi−1 < ρi and ρi > ρi+1 (13) D2a (i) = 0 otherwise 論で抽出された情報は人間の感性に基づいていることから，GTTM によってユーザの曲想に合う既存楽曲から抽出された情報を制約とすることで生成されるメロディーをユーザの曲想に近づけることができると考えられる． GPR2b（アタックポイント）では，n2 の始まりから n3 の始まりまでの時間間隔が n1 の始まりから n2 グルーピング構造の抽出には浜中らの exGTTM [12] の始まりまでの時間間隔および，n3 の始まりから n4 を用いる．exGTTM とは浜中らにより提案された計の始まりまでの時間間隔よりも長い場合，グループの算機実装用にルールを再形式化した GTTM の計算機境界と認識される．GPR2b は次式のように定式化でモデルである．本研究では簡単化のため exGTTM のきる． { グルーピング構造抽出過程を簡略化して使用する．具体的には構造化のためのルール GPR1,2,3,4,5,6 の内 D2b (i) = 2,3 のみを用いる．さらに GPR3 については細かく 1 if ιi−1 < ιi and ιi > ιi+1 0 otherwise (14) 3a,3b,3c,3d というルールがあるが，このうち 3a,3d のみを用いる．なお GPR2 も細かいルール 2a,2b が存在するが，こちらは両方用いることとする．まとめると GPR3a（音高差）では，n2 ，n3 の音高差が n1 ，n2 および n3 ，n4 の音高差よりも大きい場合，グループの境界と認識される．GPR3a は次式のように定式化使用するルールは GPR2a,2b,3a,3d の 4 つとなる．まできる． { D3a (i) = 1 if |ηi−1 | < |ηi | and |ηi | > |ηi+1 | (15) 0 otherwise GPR3d（音価）では，n2 と n3 が異なった音価で， n1 と n2 および n3 と n4 が同じ音価の場合，グループの境界と認識される．GPR3d は次式のように定式化できる． p(Z|S)p(S|β) ′ ′ S ′ p(Z|S )p(S |β) p(S|Z, β) = ∑ (19) しかし，この式のままでは例えば 8 小節のメロディーを生成する場合ノートの種類数 12 を 8 小節のノート列の次元 64 でべき乗した分（1264 ）もの確率をすべて計算する必要があるため計算量が膨大になってしまうという問題がある．そこでギブスサンプリングとい { う手法を用いることでこの問題を解決する． 1 if βi−1 = 0, βi = | 0, and βi+1 = 0 (16) 2. 6 ギブスサンプリングによる楽曲生成 0 otherwise ギブスサンプリング [13] とは以下のようにサンプリ以上の式で求まった D2a , D2b , D3a , D3d を 8 分音符ングを行う手法である．まずサンプリングしたい確率を基準とするベクトル形式に変換したものをそれぞれ分布 p(z) = p(z1 , ..., zM ) を考る．ギブスサンプリングルーピング構造 Z2a , Z2b , Z3a , Z3d とする．グの各ステップでは，１つの変数の値が置き換えられ 2. 5 確率モデルる．その際，残りの変数の値を固定した条件での，対ここまでで抽出した情報とノート列の確率モデルを象の変数の条件付き分布に従って抽出した値を用いる．作成する．なおここでは計算を容易にするためグルーすなわち，zi を分布 p(zi |z\i ) から抽出された値で置ピング構造による制約が１つ Z の場合を考える．まずき換える．ここで zi は z の i 番目の要素を表し，z\i は音高の遷移確率からメロディーが生成されるモデルは z1 , ..., zM から zi を除いたものを表す．この手続きを考える．このモデルを bigram(β) で表わすと下式のは，各ステップで更新する変数をある決まった順序でようになる．循環するか，ある分布に従ってランダムに選択するこ N −1 ∏ とで繰り返される．ギブスサンプリングのアルゴリズ p(S|β) = p(St+1 |St , ct+1 )p(S1 , c1 ) (17) ムを次に示す．ここで M はデータ数を T は繰り返す t=1 ステップ数を表す．つまりメロディーは次のコードが分かっている上での D3d (i) = ノートの遷移確率から生成されることになる．この生成されたノート列 S に対してグルーピング構造を求めるのだが，確率モデルに組み込むために本来決定論的に求まるグルーピング構造を多次元ガウス分布から確率的に生成されるものと仮定し，以下の式で表わすこととする． p(Z|S) = √ 1N√ ( ( 2π) |Σ| ) 1 t −1 × exp − 2 (Z − µ(S)) Σ (Z − µ(S)) (18) ここで µ(S) は生成されたノート列 S から抽出されたグルーピング構造を表す．多次元ガウス分布の分散共分散行列 Σ の値を変化させることでグルーピング構造による制約の強さを調整することが可能である． ◆ギブスサンプリング◆ 1. zi : i = 1, ..., M を初期化する． 2. τ = 1, ..., T に対して以下を行う． (τ +1) ∼ p(z1 |z2 , z3 , ..., zM ) をサンプリング (τ +1) ∼ p(z2 |z1 - z1 する． - z2 グする． ≀ (τ ) (τ ) (τ +1) , z3 , ..., zM ) をサンプリン (τ +1) (τ +1) - zj ∼ p(zj |z1 サンプリングする． (τ ) (τ ) (τ ) (τ +1) (τ ) (τ ) , ..., zj−1 , zj+1 , ..., zM ) を ≀ (τ +1) (τ +1) (τ +1) (τ +1) - zM ∼ p(zM |z1 , z2 , ..., zM −1 ) をサンプリングする．上記のアルゴリズムを繰り返すことで求めたい確率図 2 の確率モデルに対してベイズの定理を用いるこ分布 p(z) からのサンプルを少ない計算量で得ることとでノート列 S の生成モデルを得ることができる．こができる．アルゴリズムを完成させるためには初期状態の分布を指定する必要があるが，多くの繰り返しの後に抽出されるサンプルは実質的に初期分布とは独立である．ギブスサンプリングを行う過程では変化させる確率変数に依存しない項を無視することができるためとて図 2 グルーピング構造の生成モデルれによってノート列 S の周りの情報から次式のようにノート列自身の分布を推定することができる．も簡単な式でノート列の生成確率を表わすことができる．まずは上式を次のように変化させる部分 Si とそれ以外の部分 S\i に分ける． p(Si = k|S\i , Z, β) (20) ギブスサンプリングの為には p(Si = k|S\i , Z, β) と p(Si = l|S\i , Z, β) の比が求まればよいので分母や k に依存しない項は無視することができる．よって上式生成されたメロディーの中である音 ERS = は次のように表わすことができる． p(Si = k|S\i , Z, β) ∝ p(Z|Si = k, S\i ) ×p(Si = k|Si−1 , ci )p(Si+1 |Si = k, ci+1 ) (21) とでメロディーの生成を行うことができる．また，今回のように制約が複数ある場合は次のように単純な掛け合わせで計算することが可能である． ×p(Z3a |Si = k, S\i )p(Z3d |Si = k, S\i ) ×p(Si = k|Si−1 , ci )p(Si+1 |Si = k, ci+1 ) 2. 7 生成されたメロディーの全音の合計 (23) 生成されたメロディーの中である度数上式にギブスサンプリングのアルゴリズムを用いるこ p(Si = k|S\i , Z2a , Z2b , Z3a , Z3d , β) ∝ p(Z2a |Si = k, S\i )p(Z2b |Si = k, S\i ) （持続，休符を含む）が出現する回数 (22) インタラクション本提案手法で行うことのできるシステムとのイン JRd = 跳躍する遷移が出現する回数生成されたメロディーの全遷移の合計ただし RD = (24) {p1, m2, M 2, m3, M 3, p4, a4 − d5, p5, m6, M 6, m7, M 7, p8} である． 3. 1 結果以下に重み wR を変化させた場合の結果を示す．生成するメロディーのコード進行を Dm7 → G → Em → Am とし，遷移確率による影響を見るために制約の強さを表す Σ の分散成分を 10 とし十分弱くした．また，サンプリング回数を 100 回とした．wR の設定を以下の３種類とした．設定１ wR = {0.99, 0, 0, 0, 0, 0.01} 設定２ wR = {0.59, 0.1, 0.1, 0.1, 0.1, 0.01} 設定３ wR = {0.19, 0.1, 0.1, 0.1, 0.5, 0.01} タラクションは大きく分けて２つあり，１つ目はメロディーの生成前に行う生成を行うためのデータセットの設定，２つ目は生成後に行う生成メロディーに対する修正操作である．まず生成前に行う設定として，使用コーパスの選択，グルーピング構造のための見本楽曲の選択，コード進行の選択がある．これらの設定を変えることでユーザは違った雰囲気のメロディーを得ることが可能である．また，見本楽曲を自ら選ぶことである程度自分の思っているメロディーを生成することが可能であると考えられる．図 3 ノートの出現確率（設定１）次に生成後に行う生成メロディーに対する修正操作について説明する．ギブスサンプリングはサンプリングを行う範囲を変えることも容易であり，ユーザが生成されたメロディーに対して直したい部分とそうではない部分を指定することで，直したい部分のみをもう一度サンプリングすることを可能とした．よってユーザは生成されたメロディーが気に入らなかった場合，一部分のみを再度作曲し直すことができ，気に入った部分を残しての作曲が可能となっている．また，なかなか良い結果がでない場合には制約の強さやコード進行などのパラメータを変更することで生成結果に変化を与えられると考えられる． 3. 図 4 跳躍の出現確率（設定１）実験図 3，5，7 はそれぞれ設定１，２，３で生成されたメ音高の遷移確率を学習する際に設定する重み wR をロディーに出現するノートの確率を表し，図 4，6，8 変化させた場合に出力されるメロディーがどのようにはそれぞれ同様に生成されたメロディーに出現する跳変化するかをノートの出現確率 E と跳躍の出現確率躍の確率を表している．まずノートの出現確率を見る J で比較した．と pbi,oncode と pbaseline のみを用いた設定１（図 3）に比べ，スムージングを行った設定２（図 5），設定３（図 7）では持続音の確率が増え，休符の出現確率が減っている．また，pbi,degree の重みを大きくした設定３ではさらに休符の出現確率が減った代わりに黒鍵音（C，G）の確率が増えている．次に跳躍の出現確率を見ると設定１（図 4）では完全１度の遷移，つまり同じ音へ遷移する確率が大きな値を示しているが設定２（図 6），設定３（図 8）になるに連れて全体の確率が平坦になっている． 3. 2 図 5 ノートの出現確率（設定２）考察遷移確率のスムージングによる生成メロディーへの効果について考察する．スムージングを行っていない設定１では休符の出現確率が一番高く，なおかつ完全１度の遷移が出現する確率が一番高い．これを見ただけでも生成されるメロディーは休みが多く同じ音の繰り返しばかりのメロディーになってしまうと考えられる．比べて，スムージングを行った設定２，３では休符の出現確率が押さえられ遷移確率も全体的に平坦に近い形になっている．この傾向は設定３の方が強く多様なメロディーを生成し得ると考えられる．しかし，出現確率の方では黒鍵音の出現確率が増えており一図6 跳躍の出現確率（設定２）概にこの設定が良いとは言えず調整が難しいところである． 4. 被験者実験システムが生成するメロディーに対して何回修正操作を行うことでユーザが満足するメロディーを得ることができるか被験者 5 人に対して実験を行った． 4. 1 実験環境まず，被験者に既存楽曲の情報を生成に利用することを説明した上で楽曲コーパスから好みの楽曲を選択してもらう．次に選択された楽曲の各制約の強さ図 7 ノートの出現確率（設定３） Σ の分散成分を 0.3，コード進行を Dm7 → G → Em → Am，重み wR = {0.29, 0.1, 0.2, 0.2, 0.2, 0.01} とし 100 回ギブスサンプリングを行い生成確率の一番高いメロディーを伴奏付きで被験者に提示した．被験者は生成されたメロディーに対して修正操作を行うことができ，これを満足な結果が得られるまで繰り返す．この際修正箇所は生成されたメロディーの楽譜を見ながら小節単位で指定でき一回の修正操作で１小節分のメロディーを修正可能とした．修正を行う場合のサンプリング回数は 10 回としこちら生成確率の一番高いメロディーを伴奏付きで被験者に提示した． 4. 2 結果表 1 は各被験者が制約として使用した見本楽曲と修図8 跳躍の出現確率（設定３）正を行った回数を示したものである．５人中４人が１回の修正で生成メロディーに満足し，被験者４に関しては最初にでてきたメロディーで満足であるという結表 1 使用した見本楽曲と修正回数クションによって新たな制約を加えて修正を行うなどが考えられる．被験者見本楽曲修正回数被験者１冷たい頬（Spitz）１回また，確率モデルの学習部分では重み wR をどのよ被験者２空も飛べるはず（Spitz）１回うな比率で与えるかで生成結果が大きく変化すること被験者３被験者４被験者５硝子の少年（KinKi Kids） Stage of the ground（Bump of Chicken）君が思い出になる前に（Spitz）１回０回が示された．しかし，重みを変化させたことで生成結１回果が良くなったかを評価することは難しく，今後も最適な重みを求める問題について考える必要があるだろ果になった．図 9 に被験者４の実験で生成されたメう．今後，さまざまなインタラクションを考えていくとともに，直感的にインタラクションを行うことのできるインタフェースについても検討していく．これによって音楽知識のないユーザが直感的操作で楽曲の深い部分に関わり，望む楽曲を容易に生成できるシステムの構築を目指す．参考文献図 9 被験者４の生成メロディーロディーを示す． 4. 3 考察本提案手法で行ったインタラクションの有効性につ [1] 音楽研究所: 自動作曲システム ACS， http://hp.vector.co.jp/authors/VA014815/music/autocomp.html [2] 鵜飼利彦: Juice and Candy 3.33, http://www.vector.co.jp/soft/win95/art/se309509.html [3] 高木英行，畝見達夫，寺野隆雄: 対話型進化計算法の研究動向，人工知能学会誌，Vol.13, No.5, pp.692-703 (1998). [4] 鈴木鈴璽，三輪真生，有田隆也: 歩いて創る音楽−立いて考察する．今回の結果を見る限りではどの被験者もほぼ修正回数１回で生成メロディーに満足しており， [5] 本提案手法により構築したシステムはユーザの望む楽曲を生成できたと考えられる．しかし，これはあくまで確率モデルの性能によるものと思われ，インタラクションに関してはどの程度の性能を示したか分からない．今回のインタラクションは１小節単位での修正というとても限定的なものであり，インタラクションとして不十分であろう．実際に被験者から「もっと細かく修正部分を指定したい」，「リズムを変えたい」などの意見も上がっている．以上より，インタラクション pp.77-87 (2005). [6] 梶原悠介，前田陽一郎: 遺伝的アルゴリズムを用いた 12 音技法に基づく音列自動生成システム，知能と情報（日本知能情報ファジィ学会誌），Vol.5，No.5， pp.792-803（2009）. [7] 深山覚，中妻啓，米林裕一郎，酒向慎司，西本卓也，小野順貴，嵯峨山茂樹: Orpheus: 歌詞の韻律に基づいた自動作曲システム，情報処理学会研究報告，2008MUS-76，pp.179-184，2008. [8] 秋口俊輔: ソフトコンピューティング手法を用いたに関してはよりユーザの意思を反映させることのできる手法を考える必要があるだろう． [9] 5. まとめ本稿では既存楽曲からギブスサンプリングにより確率的にメロディーを自動生成する仕組みにユーザがインタラクティブに介入を行う事でユーザの曲想を取り込みつつ柔軟にメロディーを生成するシステムの提案を行い，また実験により当該手法の有効性を検証した．被験者実験の結果から，本提案手法により構築したシステムが生成したメロディーはユーザを満足させることが可能であることが示された．しかしながら，これは確率モデルの性能によるものであると考えられる．被験者の意見などからインタラクション手法についてより改善が求められるだろう．具体的には修正を完全にサンプリングまかせにするのではなくインタラ体音響を活用した音の適応度地形上の歩行に基づく対話型進化計算−，MYCOM2008. 安藤大地，Palle Dahlstedt, Mats G.Nordahl, 伊庭斉志: 対話型 GP を用いたクラシック音楽のための作曲支援システム，芸術科学会論文誌，Vol.4, No.2, [10] 曲印象からの楽曲自動生成システムの構築，知能と情報（日本知能情報ファジィ学会誌），Vol.5，No.5， pp.782-791（2009）. 住田浩之，林朗: マルコフ確率場を用いた自動作曲，情報処理学会研究報告，2008-MUS-74（27），pp.151156（2008）. 徳丸正孝，村中徳明，今西茂: 「記憶と忘却」を繰り返し発想し続けるシステム−記憶パターン更新型カオスニューラルネットワークと作曲システムへの応用−，知能と情報（日本知能情報ファジィ学会誌）Vol.19， No.3，pp.299-312(2007) [11] Lerdahl, F. and Jackendoff, R.: A Generative Theory of Tonal Music, The MIT Press, Cambridge (1983). [12] 浜中雅俊，平田圭二，東条敏: 音楽理論 GTTM に基づくグルーピング構造獲得システム，情報処理学会論文誌，Vol.48, No.1, pp284-299 (2007). [13] C.M. ビショップ (2008)『パターン認識と機械学習下』シュプリンガージャパン株式会社，257pp 付録表 A· 1 楽曲コーパスリスト Bump of Chicken 001001 Stage of the ground 001002 Title of mine 001003 ダンデライオン 001004 ベル 001005 メロディーフラッグ 001006 天体観測 001007 K 001008 ダイヤモンド 001009 ハルジオン 001010 ベンチとコーヒー Spitz 002001 002002 002003 002004 002005 002006 002007 002008 002009 002010 002011 002012 002013 002014 002015 002016 002017 002018 002019 002020 ほうき星 004001 004002 硝子の少年 The Gospellers 003001 003002 ひとり誓いフェイクファーバニーガールナナへの気持ちルナルナ冷たい頬夕陽が笑う、君も笑う虹を越えて渚運命の人涙がキラリ☆ 君が思い出になる前に空も飛べるはずロビンソンチェリーグラスホッパースパイダー愛のことば俺のすべて楓 KinKi Kids ジェットコースター・ロマンス