首先，忽略仇恨者。我很久以前就开始从事音乐领域的机器学习工作，并通过这项工作获得了几个学位。当我开始的时候，我问人们的问题和你一样。这是一个迷人的领域，总是有新人的空间。我们都必须从某个地方开始。

您查询的研究领域是音乐信息检索（Wiki Link）和计算机音乐（Wiki Link）。你在将问题缩小到单一乐器（单音音乐）方面做出了很好的选择，因为和弦音乐大大增加了难度。

您正在尝试真正解决两个问题：

1）单声道音乐的自动转录（更多阅读）这是从单个乐器乐曲中提取音符的问题。

2）算法作曲（更多阅读），这是使用转录音乐语料库生成新音乐的问题。

直接回答您的问题：

我认为这将是一个无监督学习问题，但我不太确定。

由于这里有两个学习问题，所以有两个答案。对于自动转录，您可能需要遵循监督学习方法，其中您的分类是您尝试提取的注释。对于算法组合问题，它实际上可以采用任何一种方式。在这两个领域的一些阅读将清楚这一点。

我应该从声波中提取哪些特征才能使输出的音乐悦耳？

MIR 中有很多常用的功能。@abhnj 在他的回答中列出了 MFCC，但还有更多。MIR 中的特征分析发生在多个域中，并且每个域都有特征。一些域是：

1. 频域（这些是我们通过扬声器听到的值）
2. 谱域（这个域是通过傅里叶函数计算的（阅读有关快速傅里叶变换的信息），并且可以使用多个函数（幅度、功率、对数幅度、对数功率）进行转换
3. 峰值域（频谱域上的幅度和频谱峰值域）
4. 谐波域

您将面临的首要问题之一是如何分割或“切割”您的音乐信号，以便您可以提取特征。这是本身很复杂的分段问题（一些读数）。切割声源后，您可以在从片段中提取特征之前将各种功能应用于片段。其中一些函数（称为窗口函数）是：Rectangular、Hamming、Hann、Bartlett、Triangular、Bartlett_hann、Blackman 和 Blackman_harris。

一旦你从你的域中切割出你的段，你就可以提取特征来表示这些段。其中一些将取决于您选择的域。一些特征示例是：您的正常统计特征（平均值、方差、偏度等）、ZCR、RMS、光谱质心、光谱不规则性、光谱平坦度、光谱色调、光谱波峰、光谱斜率、光谱滚降、光谱响度、频谱音高、谐波奇偶比、MFCC 和树皮标度。还有更多，但这些是一些很好的基础知识。

是否有可能使用循环神经网络输出序列音符（ABCDEF）的向量？

是的。已经有几项工作可以做到这一点。（这里有几个读数）

有什么聪明的方法可以输入声波的特征以及音符序列吗？

标准方法是使用我上面所做的解释（域、段、特征提取）等。为了节省一些工作，我强烈建议从 MIR 框架开始，例如 MARSYAS ( Marsyas )。他们将为您提供特征提取的所有基础知识。有很多框架，所以只要找到一个使用你熟悉的语言的框架。

我相信问题是，您想从音乐作品中学习，并尝试从经过训练的实例中生成曲调。让我们看看我是否可以建立一个简单的模型来执行此操作，然后您可以从那里进行推断。

因此，在处理声音时， MFCC是一个很好的功能。您可以使用它从歌曲的 1-2 秒窗口中提取特征。您现在有了音频文件的指纹。看看条件受限玻尔兹曼机。它们是使用多个二进制状态来编码时间序列信息的神经网络。正如您在网页中看到的那样，他们对人类步态数据进行了训练，现在可以生成自己的人类步态。这基本上是您想要的，但对于音乐文件。因此，您可以在您拥有的音频 MFCC 向量上训练 CRBM。

训练完成后，要生成音频文件，您可以用几秒钟的旋律“播种”CRBM，也可以随机初始化它。然后让 CRBM 发疯并记录它产生的任何东西。这是您的新音频文件。要生产另一个样品，请使用不同的种子。

这解决了如何实现“旋律”生成方案的问题。当然也有变化。除了 MFCC，您还可以向矢量添加其他功能。您还可以使用其他时间序列预测器，例如LSTM或 Markov 模型。

综上所述，生成音乐的问题可能比乍一看要微妙得多。机器学习算法只是在数据中应用先前学习的模式。这与“创造”新音乐有何对应，是一个哲学问题。如果我们分析上述算法，本质上 CRBM 将根据它所学习的概率分布生成下一个输出。当所述分布是音符分布时，看看它会产生什么样的输出将会非常有趣。