传统音乐AI技术多聚焦于音频信号的理解，而本研究的亮点在于其针对符号化音乐理解的创新方法。该论文在音乐理解领域引入了N-Gram理论，推出了一种独特的无监督复合词技术（UCW），旨在深化对符号化音乐的理解。并且在模型结构层面推出了NG-Midiformer模型，它融合了N-Gram Transformer编码器的特点，极大地增强了模型对音乐符号的识别和处理能力。

图1  REMI、CP和UCW之间的关系和区别

通过应用深度学习和N-Gram技术，NG-Midiformer能够更深入地分析音乐序列，有效地捕捉音乐元素间的微妙联系。此外，本研究还引入了特征注入的方法，将额外的音乐特征信息融入到模型中。这些特征可以包括音乐的风格、情感等方面的信息，有助于提高对音乐的理解和生成。通过使用N-Gram无监督复合和特征注入的方法，本研究成功地解决了符号音乐理解和生成中的一些问题。这些方法可以提高对音乐的结构和特征的理解，从而更好地生成符合特定风格和情感的音乐。它在多个公开数据集上表现出色，达到了行业领先的效果。

图2  N-gram Transformer编码器整体架构

该论文为符号音乐理解领域提供了新的研究视角和方法。其结合自然语言处理技术和音乐领域的特殊需求，为AI在音乐理解上的应用创造了新的手段。该研究获得了国家自然科学基金、湖北省自然科学基金、中央高校基金等项目的资助。