Đồ án: Thiết Kế Mô Hình GAN-LSTM Cho Tạo Sinh Âm Nhạc

Luận văn thạc sĩ về thiết kế mô hình GAN-LSTM cho tạo sinh âm nhạc. Nghiên cứu ứng dụng trí tuệ nhân tạo trong lĩnh vực âm nhạc, chuyên ngành Kỹ thuật Điện tử.

• Tác giả: Đỗ Quang Thịnh
• Người hướng dẫn: PGS. Hoàng Trang
• Trường học: Trường Đại học Bách Khoa - ĐHQG TP. HCM
• Chuyên ngành: Kĩ thuật Điện tử
• Đề tài: Thiết Kế Mô Hình GAN-LSTM Cho Tạo Sinh Âm Nhạc
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng Quan GAN LSTM cho Tạo Sinh Âm Nhạc Giới Thiệu 55 ký tự

Trí tuệ nhân tạo (AI) ngày càng khẳng định vai trò quan trọng trong nhiều lĩnh vực, và tạo sinh âm nhạc là một ví dụ điển hình. Mục tiêu của AI là tạo ra các máy móc có khả năng tự động hóa các hành vi thông minh, thay thế con người trong một số công việc nhất định. Điểm nổi bật là khả năng học hỏi và cải thiện theo thời gian huấn luyện. Một trong những ứng dụng phổ biến của AI là khả năng nhận diện và dự đoán. Tuy nhiên, trong những năm gần đây, AI còn được ứng dụng trong việc tạo ra dữ liệu, ví dụ như chuyển tranh vẽ thành ảnh hoặc thay đổi đặc trưng của dữ liệu ảnh. Những dữ liệu này không có thật trên thực tế, nhưng đem lại cảm giác chân thực như do con người tạo ra. Nghiên cứu này tập trung vào xây dựng mô hình máy AI, mang tên gọi GAN-LSTM, với khả năng tự viết nhạc, tạo ra những giai điệu phù hợp với cảm âm của con người và mang tính sáng tạo như được sáng tác bởi người thật.

1.1. Lý Do Chọn Đề Tài Ứng Dụng GAN LSTM 45 ký tự

Việc ứng dụng mô hình GAN-LSTM vào tạo sinh âm nhạc mở ra một hướng đi mới trong lĩnh vực kỹ thuật điện tử và trí tuệ nhân tạo. Theo tài liệu gốc, mục đích của nghiên cứu này là xây dựng một mô hình AI có khả năng tạo ra những sản phẩm âm nhạc chân thực và sáng tạo. Việc này không chỉ giúp rút ngắn thời gian từ ý tưởng đến sản phẩm thực tế mà còn giảm thiểu những ràng buộc về khả năng sáng tác của người nhạc sĩ. Việc kết hợp mô hình GAN và mô hình LSTM hứa hẹn tận dụng được ưu điểm của cả hai, tạo ra những bản nhạc chất lượng cao.

1.2. Mục Tiêu Nghiên Cứu Mô Hình AI Tạo Sinh Nhạc 49 ký tự

Mục tiêu chính của luận văn là xây dựng một mô hình GAN-LSTM tạo sinh âm nhạc được hiện thực hóa dưới dạng phần cứng, đảm bảo tính chân thực và sáng tạo của sản phẩm âm nhạc. Mô hình sẽ cung cấp cho người dùng một phương tiện để rút ngắn thời gian đưa sản phẩm âm nhạc từ ý tưởng đến phát hành. Đối tượng nghiên cứu là các bản nhạc được xây dựng từ những nốt nhạc, được thực thi thông qua mô hình AI. Phạm vi nghiên cứu bao gồm các đặc trưng của âm nhạc và các giới hạn của trí tuệ nhân tạo, tập trung vào các loại hình âm nhạc pop và soft rock, cao độ, trường độ và liên kết giữa các nốt nhạc.

II. Giải Quyết Thách Thức trong Tạo Sinh Nhạc bằng GAN LSTM 59 ký tự

Các mô hình hiện tại dùng trong tạo ra âm nhạc, GAN cùng LSTM, có những ưu điểm và hạn chế riêng. Cụ thể, mô hình GAN có khả năng tập trung vào những đặc trưng toàn thể của dữ liệu, nhưng có những yêu cầu hạn chế về kích thước dữ liệu. Ở chiều ngược lại, LSTM có khả năng liên kết các nốt theo chuỗi, nhưng liên kết đó sẽ suy yếu khi kích thước dữ liệu tăng dần lên. Luận văn tập trung vào kết hợp hai mô hình AI này để cấu thành mô hình GAN-LSTM có khả năng tận dụng ưu điểm của chúng; thực thi mô hình trên phần mềm và phần cứng để đưa ra những nhận định và khả năng liên quan; và sử dụng mô hình cho xây dựng dữ liệu dưới dạng bài hát gồm nhiều phần, giữa các phần có sự chuyển điệu hợp lý.

2.1. Ưu và Nhược Điểm của Mô Hình GAN Hiện Tại 52 ký tự

Mặc dù mô hình GAN có khả năng tạo ra những kết quả ấn tượng trong nhiều lĩnh vực, bao gồm cả tạo sinh âm thanh, nó vẫn tồn tại một số hạn chế. Theo luận văn, GAN có khả năng tập trung vào đặc trưng tổng thể của dữ liệu, giúp tạo ra những bản nhạc có cấu trúc rõ ràng. Tuy nhiên, GAN lại đòi hỏi dữ liệu huấn luyện phải có kích thước lớn để đạt hiệu quả tốt nhất. Điều này có thể gây khó khăn trong việc thu thập và chuẩn bị dữ liệu âm nhạc chất lượng cao. Do đó việc tìm hiểu những ứng dụng của GAN là rất quan trọng.

2.2. Hạn Chế của LSTM trong Liên Kết Chuỗi Nốt Nhạc 55 ký tự

LSTM (Long Short-Term Memory) là một kiến trúc mạng nơ-ron hồi quy (RNN) mạnh mẽ, đặc biệt hiệu quả trong việc xử lý dữ liệu chuỗi thời gian, như âm nhạc. LSTM có khả năng ghi nhớ các thông tin quan trọng trong quá trình xử lý chuỗi, giúp tạo ra các mối liên kết giữa các nốt nhạc. Tuy nhiên, LSTM cũng có một số hạn chế, đặc biệt khi làm việc với các chuỗi dữ liệu dài. Theo luận văn, liên kết giữa các nốt nhạc có thể suy yếu khi kích thước dữ liệu tăng dần lên. Do đó, việc kết hợp LSTM với GAN có thể giúp khắc phục những hạn chế này.

III. Phương Pháp Xây Dựng Mô Hình GAN LSTM Tạo Nhạc 59 ký tự

Để thực hiện các công việc này, nhiều phương pháp đã được đưa ra, bao gồm các phương pháp thu thập dữ liệu, phương pháp xây dựng và tiền xử lý dữ liệu, phương pháp xây dựng và mô phỏng mô hình, và các phương pháp đánh giá định lượng và định tính cũng được đưa ra, qua đó cung cấp cho người đọc những góc nhìn khác nhau về khả năng của mô hình GAN-LSTM. Những kết quả thu được trong quá trình thực hiện luận văn đã chứng minh được tính khả thi của nghiên cứu này cùng những ưu điểm của mô hình trong nghiên cứu. Đồng thời, những kết quả này cũng đưa ra những hạn chế cần khắc phục, cũng như nhiều hướng phát triển cho tương lai.

3.1. Thu Thập và Tiền Xử Lý Dữ Liệu Âm Nhạc MIDI 55 ký tự

Quá trình xây dựng mô hình GAN-LSTM đòi hỏi một lượng lớn dữ liệu âm nhạc để huấn luyện. Theo luận văn, dữ liệu được sử dụng là các tệp MIDI, một định dạng phổ biến để lưu trữ dữ liệu âm nhạc dưới dạng số. Việc thu thập dữ liệu MIDI từ nhiều nguồn khác nhau là một bước quan trọng. Sau khi thu thập, dữ liệu cần được tiền xử lý để làm sạch và chuẩn hóa. Quá trình này bao gồm loại bỏ các thông tin không cần thiết, chuyển đổi dữ liệu sang định dạng phù hợp và chia dữ liệu thành các tập huấn luyện và kiểm tra. Dữ liệu phải có tính liên tục và giá trị cao về mặt nội dung.

3.2. Thiết Kế Kiến Trúc Mạng GAN LSTM Cho Âm Nhạc 56 ký tự

Việc thiết kế kiến trúc mạng GAN-LSTM là một yếu tố quan trọng quyết định hiệu quả của mô hình. Theo luận văn, mô hình GAN-LSTM bao gồm hai thành phần chính: mạng GAN và mạng LSTM. Mạng GAN có nhiệm vụ tạo ra các mẫu âm nhạc mới, trong khi mạng LSTM có nhiệm vụ đánh giá và cải thiện chất lượng của các mẫu này. Việc kết hợp hai thành phần này một cách hiệu quả đòi hỏi sự cân nhắc kỹ lưỡng về kiến trúc và tham số của từng mạng. Cấu trúc mô hình GAN-LSTM này sẽ có sự liên kết đến các mô hình khác trong tương lai.

IV. Ứng Dụng Thực Tế GAN LSTM Kết Quả và Đánh Giá 58 ký tự

Kết quả nghiên cứu chứng minh tính khả thi của việc sử dụng GAN-LSTM trong tạo sinh âm nhạc. Luận văn đã tiến hành phân tích kết quả theo các đánh giá định lượng và định tính. Phân tích định lượng bao gồm việc so sánh ma trận chuyển đổi cao độ nốt và trường độ nốt của tập dữ liệu gốc và tập dữ liệu do GAN-LSTM tạo ra. Phân tích định tính bao gồm các khảo sát về mức độ chân thực của âm nhạc, tác động cảm xúc của âm nhạc và khả năng nhận diện các quãng chuyển Verse-Chorus. Kết quả cho thấy mô hình có khả năng tạo ra những bản nhạc có chất lượng cao và mang tính sáng tạo.

4.1. Phân Tích Định Lượng Chất Lượng Âm Nhạc GAN LSTM 58 ký tự

Luận văn sử dụng nhiều phương pháp đánh giá định lượng để đánh giá chất lượng của âm nhạc do GAN-LSTM tạo ra. Theo luận văn, một trong những phương pháp quan trọng là so sánh ma trận chuyển đổi cao độ nốt và trường độ nốt giữa tập dữ liệu gốc và tập dữ liệu do GAN-LSTM tạo ra. Ma trận chuyển đổi cho biết tần suất xuất hiện của các nốt nhạc liền kề nhau. Việc so sánh ma trận chuyển đổi giúp đánh giá khả năng của mô hình trong việc tạo ra các chuỗi nốt nhạc có tính liên kết và mạch lạc. Việc này tạo nên sự khác biệt so với mô hình hiện tại.

4.2. Đánh Giá Định Tính Khảo Sát Mức Độ Chân Thực 57 ký tự

Bên cạnh các phương pháp đánh giá định lượng, luận văn cũng sử dụng các phương pháp đánh giá định tính để thu thập ý kiến chủ quan của người nghe về chất lượng âm nhạc do GAN-LSTM tạo ra. Theo luận văn, một trong những phương pháp quan trọng là khảo sát về mức độ chân thực của âm nhạc. Người tham gia khảo sát được yêu cầu đánh giá xem âm nhạc do GAN-LSTM tạo ra có giống với âm nhạc do con người sáng tác hay không. Các tiêu chí về cảm xúc sẽ được đánh giá một cách chi tiết.

V. Kết Luận và Hướng Phát Triển cho Mô Hình GAN LSTM 57 ký tự

Luận văn đã thành công trong việc xây dựng và đánh giá mô hình GAN-LSTM cho tạo sinh âm nhạc. Kết quả nghiên cứu cho thấy mô hình có khả năng tạo ra những bản nhạc có chất lượng cao và mang tính sáng tạo. Tuy nhiên, mô hình vẫn còn một số hạn chế cần khắc phục, và có nhiều hướng phát triển tiềm năng trong tương lai. Các hướng phát triển bao gồm việc mở rộng phạm vi nghiên cứu, đào sâu vào các khía cạnh khác nhau của âm nhạc và ứng dụng mô hình trong các lĩnh vực khác ngoài âm nhạc.

5.1. Tổng Kết Những Thành Tựu Đạt Được của GAN LSTM 57 ký tự

Nghiên cứu đã chứng minh tính khả thi của việc sử dụng mô hình GAN-LSTM trong tạo sinh âm nhạc. Mô hình có khả năng tạo ra những bản nhạc có chất lượng cao và mang tính sáng tạo, đồng thời rút ngắn thời gian từ ý tưởng đến sản phẩm thực tế. Các phương pháp đánh giá định lượng và định tính đã được sử dụng để đánh giá chất lượng của âm nhạc do GAN-LSTM tạo ra. Kết quả cho thấy mô hình có tiềm năng lớn trong việc hỗ trợ các nhạc sĩ và nhà sản xuất âm nhạc.

5.2. Hướng Phát Triển Tiềm Năng Cho Nghiên Cứu GAN LSTM 55 ký tự

Mặc dù đã đạt được những thành tựu đáng kể, mô hình GAN-LSTM vẫn còn nhiều tiềm năng phát triển. Theo luận văn, một trong những hướng phát triển quan trọng là mở rộng phạm vi nghiên cứu, bao gồm việc thử nghiệm mô hình với các thể loại âm nhạc khác nhau và tích hợp thêm các yếu tố âm nhạc khác như hòa âm và phối khí. Ngoài ra, việc ứng dụng mô hình trong các lĩnh vực khác ngoài âm nhạc, như tạo sinh âm thanh cho trò chơi điện tử và phim ảnh, cũng là một hướng đi đầy hứa hẹn. Một số hướng phát triển có thể kể đến như học sâu và nghiên cứu khoa học.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1.1 Lý do chọn đề tài Trí tuệ nhân tạo (gọi tắt là AI) là một trong những chủ đề quan trọng hiện nay trong việc ứng dụng khoa học kĩ thuật vào đời sống. Mục đích của trí tuệ nhân tạo là những máy móc có thể tự động hóa với các hành vi thông minh như con người, có khả năng thay thế con người trong một số trường hợp cụ thể. Điểm nổi bật của những máy móc này là khả năng học hỏi và cải thiện dần theo thời gian được huấn luyện. Nói cách khác, máy móc được rèn luyện càng nhiều thì khả năng thực hiện hiệu quả công việc được giao cho nó càng cao.

Từ kết quả đó, chúng sẽ được đưa vào các ứng dụng trong những công việc cụ thể mà không làm giảm hiệu suất. Một trong những ứng dụng đầu tiên và đã được phổ biến rộng rãi của AI đó là khả năng nhận diện và dự đoán. Với một tập dữ liệu cụ thể (hình ảnh, âm thanh, …), máy sẽ có khả năng phân loại hay dự đoán xu hướng của những kiểu dữ liệu này. Các máy AI với những ứng dụng này thường sẽ dễ kiểm soát độ chính xác bởi đầu ra thường đã được chuẩn hóa (chỉ có đúng hoặc sai, tăng hoặc giảm).

Tuy nhiên, trong những năm gần đây, AI còn được ứng dụng trong việc tạo ra dữ liệu. Một máy AI dạng này có thể chuyển tranh vẽ thành ảnh, hay thay đổi các đặc trưng của dữ liệu ảnh. Điều đặc biệt của chúng là những dữ liệu mà chúng tạo ra là không có thật trên thực tế, nhưng đem đến cảm giác cho con người chúng ta rằng những dữ liệu này là được con người tạo ra (được người chụp, người vẽ…). Trên cơ sở những nghiên cứu và phân tích trước đó của tác giả về lĩnh vực này của AI, nghiên cứu trong luận văn này sẽ tập trung vào việc xây dựng một mô hình máy AI, mang tên gọi GAN-LSTM với khả năng tự viết nhạc, trong đó mục tiêu của nó không chỉ là tạo ra những giai điệu phù hợp với cảm âm của con người, mà còn là tạo ra những âm nốt tựa như được sáng tác bởi người thật.2 Mục đích, đối tượng và phạm vi nghiên cứu Mục đích nghiên cứu của luận văn này, như đã đề cập ở trên, hướng đến việc xây dựng một mô hình máy AI tạo sinh âm nhạc được hiện thực hóa dưới dạng phần cứng, trong đó phải đảm bảo được tính chân thực và tính sáng tạo của sản phẩm âm nhạc mà nó tạo ra.

Qua đó, mô hình trên sẽ cung cấp cho người dùng một phương tiện để rút ngắn khoảng cách về mặt thời gian đưa một sản phẩm âm nhạc từ bước ý tưởng đến bước phát hành sản phẩm thực tế, đồng thời giảm thiểu những ràng buộc về khả năng sáng tác của người nhạc sĩ khi mô hình có thể đưa ra những giá trị mới về mặt giai điệu và tiết tấu. Đối tượng nghiên cứu trong luận văn này, là các bản nhạc được xây dựng từ những nốt nhạc, được thực thi, được sáng tác thông qua một mô hình AI. Trong đó, cao độ, trường độ cùng thứ tự sắp xếp các nốt nhạc sẽ được xác định rõ bởi mô hình AI trên. Và để hiện thực được điều đó, luận văn này sẽ nghiên cứu các giải thuật liên quan nhằm tập trung vào những khía cạnh khác nhau trong một bản nhạc, qua đó xây dựng mô hình AI một cách hợp lý nhất.

Phạm vi nghiên cứu của luận văn này sẽ chịu ràng buộc bởi các đặc trưng của âm nhạc và các giới hạn hiệu hữu của trí tuệ nhân tạo. Cụ thể: - Về loại hình âm nhạc, luận văn này sẽ tập trung vào hai loại hình là pop và soft rock. - Về các đặc tính âm nhạc, luận văn sẽ tập trung vào cao độ, trường độ và liên kết giữa các nốt nhạc trong một bản nhạc. - Về đặc trưng bài hát, luận văn sẽ làm rõ về các phần Verse và Chorus của một bài hát.

- Về kết cấu mô hình AI, luận văn sẽ tập trung vào các phương pháp chính là GAN và LSTM, cùng một số giải thuật bổ trợ. - Về xây dựng phần cứng, luận văn sẽ tập trung vào cách thức thực thi, chức năng của mô hình phần cứng và các ràng buộc về mặt timing.3 Ý nghĩa khoa học và thực tiễn của đề tài nghiên cứu Luận văn này mang lại những ý nghĩa khoa học sau: - Làm sáng tỏ khả năng vận dụng, kết hợp các mô hình AI hiện có trong việc sáng tác âm nhạc, cụ thể là GAN và LSTM, trong đó những khuyết điểm cố hữu của chúng được những ưu điểm bổ khuyết cho nhau. - Chỉ ra những hạn chế, thuận lợi của các mô hình AI trước đó cũng như của chính mô hình trong luận văn, qua đó phân tích các giải pháp cụ thể. - Đưa ra những gợi ý, những hướng phát triển trong tương lai cho các nghiên cứu phía sau, bao gồm việc mở rộng, đào sâu phạm vi nghiên cứu, cũng như việc quan sát, phân tích những khía cạnh khác nhau của âm nhạc.

Về mặt thực tiễn, luận văn này mang lại những ý nghĩa sau: - Mô hình AI tồn tại như một giải pháp cho việc tăng tốc độ sáng tác âm nhạc, khi mà tốc độ sáng tác của nó nhanh hơn con người rất nhiều. Phần việc còn lại của người làm nhạc là hiệu chỉnh, thêm phần lời và các hình thức phối khí. Việc rút ngắn thời gian đưa ra sản phẩm giúp cho người làm nhạc tăng lượng sản phẩm đưa ra cho công chúng, qua đó giảm thiểu khả năng bị trùng ý tưởng, trùng giai điệu với những sản phẩm cạnh tranh. - Mô hình AI cung cấp các sản phẩm âm nhạc với chất lượng như do con người tạo ra, do đó góp phần làm đa dạng hóa, sáng tạo những nội dung âm nhạc trên thị trường, vốn rất nặng tính cạnh tranh.

Dù vậy, mô hình này không đòi hỏi chi phí cao, cũng như chất xám của người sử dụng, qua đó giải quyết được những hạn chế về mặt kinh tế, tạo điều kiện cho người sử dụng tập trung vào những mặt khác của quá trình sản xuất âm nhạc.4 Bố cục luận văn Các phần còn lại của bài luận văn này sẽ được trình bày theo bố cục các chương như sau: 4 - Tổng quan tình hình nghiên cứu: Chương này sẽ trình bày những bối cảnh cùng các nghiên cứu liên quan đến đề tài luận văn, qua đó chỉ ra được lý do, mục tiêu và nhiệm vụ của việc thực hiện nghiên cứu. - Cơ sở lý luận và giả thuyết khoa học: Chương này sẽ giải trình những khái niệm lý thuyết nền tảng liên quan trực tiếp đến nghiên cứu, qua đó cụ thể hóa những vấn đề còn tồn đọng của các công trình nghiên cứu trước đó, nhằm đưa ra phương pháp giải quyết phù hợp. - Phương pháp nghiên cứu: Nội dung chương này tập trung làm rõ các phương pháp liên quan đến nghiên cứu, bao gồm các phương pháp chuẩn bị dữ liệu, xây dựng nghiên cứu cũng như cách thức đánh giá, phân tích kết quả sau khi thực hiện nghiên cứu. - Kết quả nghiên cứu và các phân tích liên quan: Chương này cụ thể các kết quả đo đạc, mô phỏng cùng số liệu của các quá trình nổi bật được thực hiện trong khi nghiên cứu, qua đó có những phân tích, so sánh liên quan nhằm làm nổi bật lên những thành quả có được.

- Kết luận và hướng phát triển: Chương cuối có mục đích tóm tắt, đưa ra những kết luận chung nhất của quá trình thực hiện nghiên cứu, làm cơ sở cho việc thực hiện những nghiên cứu trong tương lai. 5 CHƯƠNG 2: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU Chương này sẽ trình bày những bối cảnh cùng các nghiên cứu liên quan đến đề tài luận văn, qua đó chỉ ra được các khe hở nghiên cứu, qua đó làm rõ lý do thực hiện nghiên cứu, từ đó đề ra mục tiêu và nhiệm vụ của việc thực hiện nghiên cứu.1 Tình hình nghiên cứu trong và ngoài nước Các máy AI nhằm mục đích tạo ra dữ liệu mới như trình bày ở mục trước thường được gọi rộng rãi là GAN (Generative Adversarial Network), theo tiếng Việt gọi là mạng đối nghịch tạo sinh. Thuật ngữ này lần đầu xuất hiện trong buổi hội thảo NIPS tại Barcelona, và được đề xuất bởi Ian Goodfellow của Google Brain [1]. Ở đó, GAN được mô tả bằng cấu trúc, cách huấn luyện, đặt nền móng cho các nghiên cứu phía sau.

Từ sự kiện này, nhiều nghiên cứu đã được công bố trong việc sử dụng GAN cho nhiều ứng dụng khác nhau[2-5]. Isola và các cộng sự đã thực hiện một GAN cho việc biến đổi hình ảnh (Image2Image Transalation) với độ chính xác được tối ưu bằng hàm mất mát của riêng họ [6]. Tương tự, nhóm của T. Wang cũng dùng GAN trong việc tự tạo ra những bộ các câu hỏi và câu trả lời thông qua đọc một đoạn văn bản cho trước [7].

Tuy đã có nhiều nghiên cứu ứng dụng GAN trên thực tế, phần lớn các nghiên cứu tập trung vào dữ liệu hình ảnh [8][9]. Ở chiều ngược lại, dữ liệu như văn bản hay âm thanh có tỉ lệ nghiên cứu thấp hơn, do chúng có đặc điểm riêng biệt so với hình ảnh và khó kiểm soát hơn[10]. Dù vậy, âm nhạc, một bộ phận của âm thanh, vẫn thu hút được các nhà nghiên cứu với những kết quả đáng nể. Dong đã xây dựng một GAN gọi là MuseGAN với khả năng chơi nhiều nhạc cụ cùng một lúc mà không làm mất đi sự hài hòa [11].

Bên cạnh GAN, Long-Short Term Memory (LSTM) cũng là một loại hình AI được ứng dụng nhiều trong sáng tác âm nhạc [12-14]. Trong đó, đặc tính về chuỗi nốt, 6 cũng như liên kết giữa các nốt là mối quan tâm chính. Ví dụ, dự án Magenta của Google cũng đã xây dựng được một Melody RNN với khả năng tạo nhạc theo chuỗi mang phong cách của những nghệ sĩ nổi tiếng [9->15]. Theo hiểu biết của tác giả, các nghiên cứu hiện tại chưa làm rõ được những vấn đề sau.

Thứ nhất, chưa có nghiên cứu nào đi vào việc kết hợp hai mô hình GAN và LSTM nhằm tận dụng các ưu điểm của chúng và giảm thiểu các bất lợi tương ứng. Thứ hai, tồn tại rất ít các nghiên cứu tập trung vào cấu trúc, thành phần của một bài hát, đặc biệt là giai đoạn chuyển điệu giữa các phần trong cùng một bài hát. Nhận thấy khe hở này, luận văn này sẽ xây dựng một mô hình AI giải quyết các vấn đề trên.