🎵 項目名稱：AI音樂生成器（LSTM Melody Generator）

🧠 項目簡介

這個項目的目標是：用 AI 來自動生成簡單的旋律（MIDI格式），類似于基礎的鋼琴曲、背景音樂片段。

我們使用一個 LSTM（長短期記憶網絡）模型，它能學習并預測音符的序列結構，實現自動作曲。

🔧 技術棧

技術 用途
Python 編程語言
TensorFlow / Keras 構建神經網絡
music21 分析、處理和播放 MIDI 音樂
Streamlit 構建圖形界面（可視化生成結果）
🎹 音樂格式說明
我們使用的是 MIDI 格式（.mid 文件），它記錄的是音符序列而不是錄音，適合用于訓練模型和自動生成旋律。

? 項目流程

📥 Step 1：數據準備（音樂序列）
讀取一個或多個 .mid 文件，并用 music21 將其轉為音符/和弦的序列，然后用于訓練。

?? Step 2：模型訓練（LSTM）
用 LSTM 模型來學習音符之間的關系，通過預測下一個音符生成完整旋律。

🧪 Step 3：生成旋律（Predict）
給一個起始片段，自動預測接下來的 50～200 個音符。

💾 Step 4：保存為 MIDI 文件
把生成的音符序列轉換成音樂文件（.mid）并保存或播放。

📄 項目代碼（打包為 Python 文件）
保存為：music_generator.py

pythonimport numpy as np
from music21 import converter, instrument, note, chord, stream
from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout
import glob
import pickle

Step 1: 提取音符

def get_notes():notes = []for file in glob.glob("midi_songs/*.mid"):midi = converter.parse(file)parts = instrument.partitionByInstrument(midi)notes_to_parse = parts.parts[0].recurse() if parts else midi.flat.notesfor element in notes_to_parse:if isinstance(element, note.Note):notes.append(str(element.pitch))elif isinstance(element, chord.Chord):notes.append('.'.join(str(n) for n in element.normalOrder))with open("data/notes.pkl", "wb") as f:pickle.dump(notes, f)return notes

Step 2: 準備訓練序列

def prepare_sequences(notes, sequence_length=100):pitchnames = sorted(set(notes))note_to_int = {note: i for i, note in enumerate(pitchnames)}network_input = []network_output = []for i in range(len(notes) - sequence_length):seq_in = notes[i:i + sequence_length]seq_out = notes[i + sequence_length]network_input.append([note_to_int[n] for n in seq_in])network_output.append(note_to_int[seq_out])n_patterns = len(network_input)network_input = np.reshape(network_input, (n_patterns, sequence_length, 1)) / float(len(pitchnames))network_output = np.eye(len(pitchnames))[network_output]return network_input, network_output, note_to_int, pitchnames

Step 3: 創建模型

def create_network(network_input, output_dim):model = Sequential()model.add(LSTM(256, input_shape=(network_input.shape[1], network_input.shape[2]), return_sequences=True))model.add(Dropout(0.3))model.add(LSTM(256))model.add(Dense(128, activation='relu'))model.add(Dropout(0.3))model.add(Dense(output_dim, activation='softmax'))model.compile(loss='categorical_crossentropy', optimizer='adam')return model

Step 4: 生成音符

def generate_notes(model, network_input, pitchnames, note_to_int, num_notes=100):int_to_note = {num: note for note, num in note_to_int.items()}start = np.random.randint(0, len(network_input) - 1)pattern = network_input[start]prediction_output = []for note_index in range(num_notes):prediction_input = np.reshape(pattern, (1, len(pattern), 1))prediction = model.predict(prediction_input, verbose=0)[0]index = np.argmax(prediction)result = int_to_note[index]prediction_output.append(result)pattern = np.append(pattern, [[index / float(len(pitchnames))]], axis=0)pattern = pattern[1:]return prediction_output

Step 5: 將音符輸出為 MIDI 文件

def create_midi(prediction_output, filename="output.mid"):offset = 0output_notes = []for pattern in prediction_output:if "." in pattern or pattern.isdigit():notes_in_chord = pattern.split(".")notes = [note.Note(int(n)) for n in notes_in_chord]chord_notes = chord.Chord(notes)chord_notes.offset = offsetoutput_notes.append(chord_notes)else:new_note = note.Note(pattern)new_note.offset = offsetoutput_notes.append(new_note)offset += 0.5midi_stream = stream.Stream(output_notes)midi_stream.write('midi', fp=filename)

?? 使用說明

下載一些 MIDI 文件放入 midi_songs/ 文件夾

創建 data/ 文件夾用于保存訓練數據

執行以下代碼：

pythonnotes = get_notes()
network_input, network_output, note_to_int, pitchnames = prepare_sequences(notes)
model = create_network(network_input, output_dim=len(pitchnames))
model.fit(network_input, network_output, epochs=20, batch_size=64)

生成音樂

prediction = generate_notes(model, network_input, pitchnames, note_to_int, num_notes=200)
create_midi(prediction)