재즈 즉흥 연주 생성을 위한 인공신경망 모델 개선 연구 (Research on Improving Artificial Neural Network Models for Jazz Improvisation Generation)

서지정보

· 발행기관 : 한국문화산업학회
· 수록지 정보 : 문화산업연구 / 25권 / 1호 / 189 ~ 206페이지
· 저자명 : 박한솔, 장민호

초록

본 연구는 인공지능 (AI)을 활용한 재즈 즉흥연주 생성 모델을 개발하고, 특히 워킹베이스 (Walking Bass) 자동 생성 모델을 설계하여 창작 및 교육 도 구로서의 가능성을 탐색하는 것을 목표로 한다. 재즈 즉흥연주는 연주자가 사전에 학습된 패턴을 활용하여 실시간으로 창작하는 과정이며, 이는 AI가 데이 터를 학습하고 패턴을 생성하는 방식과 유사한 구조를 가진다. 본 연구는 이러한 공통점을 바탕으로 AI 기반 워킹베이스 생성 모델을 설계하고, 그 성능을 평가하였다.
연구의 첫째는 재즈 베이시스트 폴 체임버스 (Paul Chambers), 크리스천 맥브라이드 (Christian McBride), 론 카터 (Ron Carter)의 대표적인 연주를 기반 으로 데이터를 수집하고 분리, 변환, 정제하였다. 음원의 마이크로타이밍과 리듬 특성을 반영하여 데이터를 전처리하고, 신뢰성을 높이기 위해 정규화 및 증식 기법을 적용하였다. 전처리의 오류는 스펙트로그램과 Praat 기법으로 분석하고, 이를 통해 높은 품질의 학습 데이터를 구축하였다.
둘째는 인공신경망(ANN) 모델을 최적화하여 보다 자연스러운 워킹베이스 생성이 가능하도록 하였다. GPT-2 모델을 결합하여 AI가 코드 진행과 템포 변화에 적응할 수 있도록 설계하였으며, 하이퍼파라미터 최적화 및 데이터 검증 과정을 통해 모델의 성능을 개선하였다. 생성된 음악 데이터는 스펙트로 그램 및 Praat 분석을 통해 정량적·정성적으로 평가되었다.
셋째는 AI 모델의 창작 효율성을 분석하였다. 모델의 처리 속도, 자원 사용량, 생성된 결과물의 품질을 측정하여 AI가 실제 음악 창작 도구로 활용될 가능성을 평가하였다. 또한, MIDI 데이터 기반 접근 방식을 도입하여 음악의 구조적 정보를 효과적으로 표현하고, 보다 정밀한 즉흥 연주 생성이 가능하도 록 하였다.
본 연구를 통해 AI 기반 재즈 즉흥연주 모델이 기존 학습 방식의 한계를 극복하고, 창작자의 창의성을 보조하는 유용한 도구가 될 수 있음을 확인하였 다. AI 음악 기술은 단순한 자동화 도구를 넘어 창작을 확장하고 지원하는 혁신적인 도구로 자리 잡을 가능성이 크다. 특히, 본 연구는 AI 기반 재즈 연구 의 발전을 촉진하고, 워킹베이스 자동 생성 모델을 통해 음악가 및 연구자들이 AI를 창작 도구로 적극 활용할 수 있도록 지원하는 데 기여할 것이다. AI와 음악의 융합은 창작의 새로운 패러다임을 형성하며, 향후 AI가 음악가와 협력하는 방식에 대한 연구를 심화하는 계기가 될 것이다.

영어초록

This study focuses on developing an AI-based jazz improvisation model, specifically for automatic walking bass generation, to assess its creative and educational potential. Since jazz improvisation involves real-time music creation using learned patterns, similar to AI's pattern recognition and generation, this research designs and evaluates an AI model for walking bass generation.
First, This study utilized performances by jazz bassists Paul Chambers, Christian McBride, and Ron Carter for data collection and processing. The dataset was refined to capture micro-timing and rhythmic characteristics through normalization and augmentation techniques. Preprocessing errors were analyzed using spectrograms and the Praat method, ensuring a high-quality training dataset.
Second, the artificial neural network (ANN) model was optimized to enable more natural walking bass generation. A GPT-2 model was incorporated to allow the AI to adapt to chord progressions and tempo variations. Performanceimprovements were achieved through hyperparameter optimization and data validation processes. The generated musical data was evaluated both quantitatively and qualitatively using spectrogram and Praat analysis.
Third, the study analyzed the creative efficiency of the AI model. Processing speed, resource consumption, and the quality of generated outputs were measured to assess AI's viability as a real-world music creation tool. Additionally, a MIDI-based approach was introduced to effectively capture the structural aspects of music, facilitating more precise improvisation generation.
AI-based jazz improvisation models enhance creativity by overcoming traditional learning limitations. This study advances AI-driven jazz research, highlighting AI's role as a creative tool for automatic walking bass generation and fostering deeper AI-musician collaboration.

참고자료

· 없음