wav檔案的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

基於深度學習的MIDI生成器之研究與實作

為了解決wav檔案的問題，作者劉翼翬 這樣論述：

人工智慧(artificail intelligence, AI)自早期的機器學習法、類神經網路、專家系統，到現在所產生的深度學習，一路上經歷了不少變革，現在影像辨識與應用在卷積神經網路(convolutional neural networks, CNN)的研究下越來越成熟。深度學習(Deep learning)技術於2016年起開始蓬勃發展，深度學習圖像辨識的技術與應用已非常的成熟，從臉部辨識到智能美型等功能，而知名社群網站Facebook也使用上億張的圖片以訓練其AI機器人Lumos，識別圖片中的物件更可從圖片中的元素找出其中的關聯性。另一方面，Facebook旗下一款免費提供線上圖

片與視訊分享的社群應用軟體Instagram亦可以利用其功能—主題標籤(Hashtag)找到許多具有同樣Hashtag名稱的相關圖片，當大量擁有相同的Hashtag時，AI可直接從給予的圖片中標記出Hashtag。除了Facebook外，Google、百度、亞馬遜公司(Amazon)…等各個著名企業，也正積極努力開發各種AI圖像辨識的功能。相較於影像，聲音的研究成果與數量就稍微遜色，目前有關聲音AI研究與應用例如：Lyrebird AI利用使用者錄製的讀稿語音，經過學習產生樣本，最後使用者可以運用自己所錄製的語音作為發聲源，讀出所擬之文稿，但目前以英語為主，尚未取樣中文的功能；Bach Doo

dle將使用者輸入的旋律經過調和，將其轉為巴洛克時期音樂家巴哈風格的音樂；Pixel Player透過觀看大量未經過標記的音樂影片進行學習，透過發聲的音源進行定位，試著了解畫面中的樂器(小提琴、吉他、低音號等)如何移動，最後將音源分離。綜合以上，聲音的應用雖較為少見，但聲音的AI應用將成為未來趨勢，以現在的深度學習機制，許多具有極大潛能的技術都有望被開發。目前聲音AI鮮少可以直接應用於生活中的作品，完成度不夠理想，故本次研究目的為使用樂器數位介面(Musical Instrument Digital Interface,MIDI)的資料給予機器進行學習，使之產生與參考音樂相似且具音樂性的音樂，

MIDI生成使用自製資料集BBCDV資料集，此資料集由貝多芬、拜爾德、蕭邦、德布希與韋瓦第共五位作曲家的創作所組成，每位作曲家挑選十首音樂作品，並將每首歌曲轉為同一速度、同一調性，每個音符力度設為相同的數值，統一將音符輸出為相同的鋼琴音色，將作曲家樂曲之MIDI以卷積神經網路(convolutional neural networks, CNN)為基礎架構的殘差密集網路(residual dense network,RDN)，使用RDN中的殘差密集模組(redidual dense blocks, RDBs)，提取其特徵，並給予機器進行訓練，生成與資料集音樂相似之MIDI，透過人工方式將產生的

MIDI訊號轉為波形音訊(waveform audio, Ｗav)，再將wav檔案轉為mp3檔案，利用ID3 tag的標籤，將每首歌手動標記風格分類，mp3取梅爾倒頻譜係數(Mel-Frequency Cepstral Coefficients, MFCCs)將其圖像化為梅爾倒頻譜(Ｍel-Frequency Cepstrum,MFC)，將每首歌頻譜圖分割為數個切片，使用CNN架構提取每個音樂切片的特徵，並依ID3 tag內所標記的音樂風格，放入與其風格標籤相同的資料夾中，將所有分類好的音樂進行訓練，最後將資料集中參考樂曲的MIDI與使用AI機器學習生成樂曲的MIDI，將其放入風格辨識機，查看

經過風格辨識學習的機器是否能給予音樂正確的風格標籤。以音樂創作的角度切入，觀察研究是否能對音樂創作能產生幫助，從中產生的音樂素材是否能夠加以運用。