Magentaで開発　AI作曲

はじめに
第1章　AIで作曲できる音楽機械学習ライブラリMagenta
第2章　Magenta環境構築  AI作曲実践準備
第3章　単音のシンプルなメロディーをつくる Melody RNN 
第4章　ドラム演奏の作曲を行う Drums RNN
第5章　3パートのバンド演奏作曲 MusicVAE
第6章　コード進行に沿ったアドリブメロディーの作曲 Improv RNN
第7章　バッハ風合唱曲の作曲を行うPolyphony RNN 
第8章　現代音楽のような複雑な和音の作曲 Pianoroll RNN
第9章　高度なピアノ演奏の作曲 Performance RNN
第10章　音楽データの学習方法と学習済みデータの作成
第11章　Magenta開発・独自モデルの作成

はじめに

第1章　AIで作曲できる音楽機械学習ライブラリMagenta
　1.1　機械学習を使用した作曲の概要と基礎知識
　　1.1.1　わずか数十秒で曲を生み出すAI作曲
　　1.1.2　機械学習を使用した作曲の概要
　1.2　音楽機械学習ライブラリMagentaについて
　　1.2.1　Magentaとは
　　1.2.2　Magentaのメリット
　1.3　Magentaで実践できる７種類のAI作曲

第2章　Magenta環境構築  AI作曲実践準備
　2.1　ターミナル・コマンドプロンプト
　　2.1.1　コマンドプロンプト（Windows）、ターミナル(macOS)とは
　　2.1.2　コマンドプロンプト、ターミナルの基本的なコマンド
　　2.1.3　絶対パスと相対パス
　　2.1.4　絶対パスの解説
　　2.1.5　相対パスの解説
　2.2　Pythonのインストールと仮想環境の作成
　　2.2.1　Pythonのインストール
　　2.2.2　Pythonのダウンロード
　　2.2.3　Python仮想環境の作成
　　2.2.4　仮想環境の有効化
　2.３　Magenta環境構築
　　2.3.1　ライブラリのインストールを行うpipについて
　　2.3.2　TensorFlowのインストール
　　2.3.3　Magentaのインストール
　2.4　データの種類とMIDIについて
　　2.4.1　データの種類
　　2.4.2　MIDIとは？

第3章　単音のシンプルなメロディーをつくる Melody RNN
　3.1　Melody RNNの概要
　　3.1.1　Melody RNNの特徴
　　3.1.2　Melody RNNの学習済みデータ
　　3.1.3　Melody RNN学習済みデータのダウンロード
　3.2　Melody RNNの音楽生成
　　3.2.1　Melody RNNの音楽生成コマンド解説
　　3.2.2　Windowsによる生成実行時の注意
　　3.2.3　生成楽曲の再生
　3.3　Melody RNNの高度な操作
　　3.3.1　primer_melodyの操作方法
　　3.3.2　primer_midiを使用したMIDIファイルでの生成方法
　　3.3.3　Melody RNNの他のモデルの使用方法

第4章　ドラム演奏の作曲を行う Drums RNN
　4.1　Drums RNNの概要
　　4.1.1　Drums RNNの特徴
　　4.1.2　ドラムセットの基本構成
　　4.1.3　Drums RNNのドラムノートナンバーと特徴
　4.2　Drums RNNのドラム演奏生成
　　4.2.1　Drums RNNドラム演奏の生成方法
　　4.2.2　Drums RNNの生成コマンド
　4.3　Drums RNNの高度な操作
　　4.3.1　primer_drumsの操作方法
　　4.3.2　primer_midiを使用したMIDIファイルでのドラム演奏生成
　　4.3.3　９つのドラム音以外のノートナンバーの使用

第5章　3パートのバンド演奏作曲 MusicVAE
　5.1　MusicVAEの概要
　　5.1.1　MusicVAEの特徴
　　5.1.2　MuiscVAEの学習済みデータ
　　5.1.3　ドラムのグルーブを生成するGrooVAEの概要
　　5.1.4　MusicVAE学習済みデータのダウンロード
　5.2　３パートのバンド演奏曲生成
　　5.2.1　MusicVAE 2つの音楽生成モード
　　5.2.2　3パートバンド演奏の生成 Sampleモード
　　5.2.3　2つの音楽をミックスした3パート音楽の生成 Interpolateモード
　5.３　MusicVAEでドラム演奏曲の生成
　　5.３.1　61種類のドラム音を使用できるドラム演奏曲生成
　　5.３.2　GrooVAEを使用したノリのあるドラム演奏曲生成
　　5.３.3　GrooVAEで既存ドラム演奏曲にグルーブを加える

第6章　コード進行に沿ったアドリブメロディーの作曲 Improv RNN
　6.1　Improv RNNの概要
　　6.1.1　Improv RNNの特徴
　　6.1.2　Improv RNNを使いこなすためのコードの基本
　　6.1.3　Improv RNNの学習済みデータと設定
　　6.1.4　Improv RNNでのコード記述方法 --トライアド編--
　6.2　Improv RNNで音楽生成
　　6.2.1　Improv RNNの生成コマンド解説
　　6.2.2　primer_melodyを駆使した生成
　　6.2.3　primer_midiを使用してきらきら星の続きを作曲
　6.３　高度なコード進行の音楽生成
　　6.3.1　4和音の基本となる7thコード
　　6.3.2　Improv RNNでのコード記述方法 --4和音7thコード編--
　　6.3.3　Improv RNN 4和音7thコードでの生成
　　6.3.4　テンションコード解説
　　6.3.5　テンションコードを使用した音楽生成
　　6.3.6　分数コードを使用した音楽生成

第7章　バッハ風合唱曲の作曲を行うPolyphony RNN
　7.1　Polyphony RNNの概要
　　7.1.1　Polyphony RNNの特徴
　　7.1.2　Polyphony RNNの学習済みデータ
　7.2　Polyphony RNNの音楽生成
　　7.2.1　Polyphony RNNの音楽生成コマンド解説
　　7.2.2　バッハ風合唱曲の生成
　　7.2.3　和音を基にした合唱曲の生成
　　7.2.4　既存の楽曲にバッハ風合唱曲のハーモニーを加える音楽生成

第8章　現代音楽のような複雑な和音の作曲 Pianoroll RNN
　8.1　Pianoroll RNNの概要
　　8.1.1　Pianoroll RNNの特徴
　　8.1.2　Pianoroll RNNの学習済みデータ
　8.2　現代音楽のような複雑な和音メロディーの生成
　　8.2.1　Pianoroll RNNの生成コマンド解説
　　8.2.2　Pianoroll RNNによる複雑な和音メロディー曲の生成
　8.3　高度な機械学習系生成コマンドオプション
　　8.3.1　Beam size
　　8.3.2　Branch Factor

第9章　高度なピアノ演奏の作曲 Performance RNN
　9.１　Performance RNNの概要
　　9.1.1　Performance RNNの特徴
　　9.1.2　Performance RNNの学習済みデータ
　9.2　高度なピアノ演奏曲の生成
　　9.2.1　Performance RNNの生成コマンド解説
　　9.2.2　Performance RNNによる高度なピアノ演奏曲の生成

第10章　音楽データの学習方法と学習済みデータの作成
　10.1　Magentaの音楽データ学習と学習済みデータ作成の概要と流れ
　10.2　Magentaの学習と学習済みデータの作成方法解説
　　10.2.1　MIDIファイルの用意
　　10.2.2　NoteSequence（tfrecord）の作成
　　10.2.3　学習データと評価データの作成
　　10.2.4　学習（トレーニング）
　　10.2.5　評価
　　10.2.6　Tensorboardで学習の確認
　　10.2.7　音楽生成
　　10.2.8　学習済みデータ（Bundleファイル）作成

第11章　Magenta開発・独自モデルの作成
　11.1　Magenta開発用環境構築
　　11.1.1　Magenta開発の流れ
　　11.1.2　Magenta開発用の仮想環境作成
　　11.1.3　Magentaレポジトリのクローン
　　11.1.4　Magenta開発用環境構築
　11.2　独自モデル作成プログラミング
　　11.2.1　model.pyの場所
　　11.2.2　model設定のコードを解説
　　11.2.3　Melody RNNの３つのエンコーダ・デコーダ
　　11.2.4　Melody RNNのハイパーパラメータ
　　11.2.5　model.pyに独自モデル設定のプログラミング
　　11.2.6　独自モデルで学習
　　11.2.7　独自モデルのBundleファイル作成

Appendix　Magentaのバリエーション 
　A.1 Magenta.jsのウェブアプリ 
　A.2 Magenta Studio

索引