本研究提出了SongGLM系统，解决了歌词与旋律生成中的对齐和和谐建模不足，通过统一符号表示和多任务预训练框架，显著提升了旋律生成效果。

本文探讨了多种音乐生成技术，包括基于word2vec的语义计算、UTACO歌唱合成模型的注意力机制，以及新型Transformer解码器架构。研究表明，子词分词技术和MelodyGLM框架在旋律生成中表现优异，SongComposer利用LLM技术实现高质量的歌词与旋律生成。这些方法为音乐创作提供了新的工具和思路。

本文介绍了一种结合多个语言模型生成汉语歌词的机制，旨在提高歌词的创造力和结构符合度。研究利用多通道序列模型和大规模歌词语料库进行训练，提出了新的歌词旋律生成方法，并探讨了歌词到旋律的生成网络。实验结果表明，该模型在生成质量上显著优于现有模型。

本研究比较了LSTM和WaveNet在旋律生成中的表现，发现扩张卷积层显著提高了性能。提出的NG-Midiformer方法利用N-gram技术增强音乐理解，MusicBERT在旋律完成和风格分类任务中表现优越。此外，还探讨了子任务分解和SymphonyNet等新技术，推动多轨音乐生成的发展。

本文介绍了一种分层递归神经网络生成旋律的方法，通过多个LSTM子网络逐层生成音乐结构。研究表明，该方法在旋律创作上优于单层LSTM及现有模型。此外，文中探讨了和弦识别、音乐生成系统及无监督学习的谐波分析等技术，展示了深度学习在音乐创作中的应用潜力。