用算法生成灵感：AIGC 在绘画与音乐中的实战体验

如果用一句话描述 AIGC 对艺术的影响，那就是它把重复性的执行工作从人手里接了过去，让创作者能更多地专注于'想法'本身。这一点在视觉和音乐领域尤其明显。

在绘画与设计领域，图像生成模型从写实到抽象都能模仿得不错。输入一段描述，它能在几秒内给出多个方案。这些方案很少直接可用，但作为起点或者背景素材，能省去大量试验性工作。

有展览策划者用开源工具输入类似'海上日出的油画'这类提示词，生成背景图来营造氛围——效果未必完美，但够用，而且调整起来很快。

音乐生成同样在实用化。通过分析乐谱数据，模型能产出不同风格的片段。下面是一个基于 Magenta 的例子，演示如何从一个随机种子扩展出一段旋律。

import magenta.music as mm
import random

# 创建一个随机的旋律序列作为种子
melody = mm.Melody()
for i in range(16):
    pitch = random.randint(60, 72)
    note = mm.NoteSequence.Note(
        pitch=pitch,
        start_time=i * 0.5,
        end_time=(i + 1) * 0.5,
        velocity=80
    )
    melody.notes.append(note)

# 使用 MelodyRNN 模型生成新的旋律
# 实际运行需确保模型路径配置正确
melody_rnn = mm.MelodyRNN()
generated_melody = melody_rnn.generate(melody, temperature=1.0)

# 播放并保存生成的 MIDI 文件
mm.notebook_utils.play_sequence(generated_melody)
mm.midi_io.note_sequence_to_midi_file(generated_melody, 'generated_melody.mid')

这段代码的逻辑很简单：先构造一个16个音符的随机序列，然后让 RNN 模型在此基础上生成后续。虽然在本地跑要花点时间配置环境，但概念上很直接。

从这些例子中可以看到两个直接的好处：创意灵感的快速获取和效率的提升。当构思卡住时，让 AI 跑一批结果出来，往往能从完全意想不到的方向打破僵局。在平面设计这类需求急、迭代快的领域，这种能力能直接缩短响应周期。