作曲家向量：潜在空间中风格引导的符号音乐生成

象征性音乐的生成已经取得了重大进展，但实现对作曲家风格的细粒度和灵活控制仍然具有挑战性。现有的基于训练的作曲家风格调节方法依赖于大型标记数据集。此外，这些方法通常一次仅支持单个作曲家生成，限制了它们对更具创意或混合场景的适用性。在这项工作中，我们提出了 Composer Vector，这是一种推理时间引导方法，可以直接在模型的潜在空间中运行，以控制作曲家风格，而无需重新训练。通过对多个符号音乐生成模型的实验，我们表明 Composer Vector 可以有效地引导各代人走向目标作曲家风格，通过连续的引导系数实现平滑且可解释的控制。它还可以在统一的潜在空间框架内无缝融合多种风格。总的来说，我们的工作表明，简单的潜在空间控制为可控符号音乐生成提供了实用且通用的机制，从而实现了更灵活和交互式的创意工作流程。代码和演示可在此处获取：https://github.com/JiangXunyi/Composer-Vector 和 https:// Jiangxunyi.github.io/composervector.github.io/