Between the AI and Me: Analysing Listeners' Perspectives on AI- and Human-Composed Progressive Metal Music

生成式人工智能模型最近蓬勃发展，显著影响着艺术和音乐传统。因此，研究人类如何与这些模型互动和评价它们至关重要。通过一项听取和反思研究，我们探索了参与者对AI生成的渐进金属音乐和人类生成的渐进金属音乐的看法，以摇滚音乐作为对照组，并使用基于Transformer的模型ProgGP生成AI示例。我们提出了一种混合方法来评估生成类型（人类 vs. AI）、流派（渐进金属 vs. 摇滚）和策展过程（随机 vs. 精选）的影响。这结合了关于流派一致性、偏好、创造力、可玩性、人性和可重复性的定量反馈，以及定性反馈，以提供有关听众体验的见解。共有32名渐进金属音乐迷完成了这项研究。我们的研究结果验证了微调的使用，以实现AI音乐生成的流派特定专业化，因为听众可以区分AI生成的摇滚和渐进金属音乐。尽管一些AI生成的节选得到了与人类音乐相似的评价，但听众更喜欢人类作品。主题分析确定了流派和AI与人类区别的关键特征。最后，我们考虑了我们的工作在推广音乐数据多样性方面的伦理意义，重点关注了一个未被充分开发的流派。

研究人员试图通过听觉和反思研究，探索听众对于人工智能生成的金属音乐与人类生成的金属音乐的看法和评价，以及AI音乐生成的伦理影响。

通过混合方法，评估不同类型（人类vs. AI）、音乐类型（金属vs.摇滚）和策展过程（随机vs.精选）对听众反馈的影响，研究结果验证了AI音乐生成的流派特定专业化的可行性，但是听众更喜欢人类创作的音乐。

论文采用了混合方法，既有定量反馈，又有定性反馈，实验对象为32名金属音乐爱好者。研究结果验证了AI音乐生成的流派特定专业化的可行性，但是听众更喜欢人类创作的音乐。论文探讨了AI音乐生成的伦理影响，提出了促进音乐数据多样性的思考。

最近在这个领域中，还有一些相关的研究，如：1. “Musical Style Transfer Using Cycle-Consistent Adversarial Networks” 2. “A Survey of Music Recommendation Systems and Future Perspectives” 3. “Deep Learning for Music”