机构名称：
¥ 1.0
摘要：在追求使用人工智力的发展表达音乐性能模型时，本文介绍了Dexter，Dexter是一种利用扩散概率模型来实现西方古典钢琴表演的新方法。性能渲染任务中面临的主要挑战是随着时间的推移表达时机和动态的连续和顺序建模，这对于捕捉表征现场音乐表演的不断发展的细微差别至关重要。在这种方法中，性能参数在连续的表达空间中表示，并且训练了扩散模型，以预测这些连续参数，同时以乐谱为条件。此外，Dexter还可以通过共同以分数和感知性表征来指导，以感知有意义的特征引导的解释（表达性变化）。因此，我们发现我们的模型对于学习表达性能，产生感知转向的表演以及转移性能样式很有用。我们通过定量和定性分析来评估模型，重点介绍有关诸如异步和发音等维度的特定绩效指标，以及通过将产生的性能与不同人类解释进行比较的听力测试。结果表明，Dexter能够捕获表达性pa-Rameters的随时间变化的相关性，并且与主观评估的评分中的现有渲染模型进行了很好的比较。通过预测不同转向性能的感知特征的代理模型，通过委托模型来验证dexter的感知功能的生成和传递能力。
dexter：通过扩散模型学习和控制性能表达
主要关键词
相关文件推荐
