자동 팝송 멜로디와 피아노 반주 생성 프레임워크

초록

본 논문은 코드 진행을 입력으로 받아, 인간 작곡 과정을 모방한 세 단계 모델(조화 변환, 계절 ARMA 기반 멜로디 생성, 멜로디 통합)을 통해 리드 멜로디와 피아노 반주를 동시에 자동 생성한다. 주관적 청취 테스트 결과, 제안 시스템은 양방향 LSTM 기반 모델보다 높은 선호도를 보였으며, 상용 소프트웨어인 Band in a Box와 비교해도 경쟁력 있는 반주 품질을 달성하였다.

상세 분석

이 연구는 팝송 작곡의 핵심 흐름을 ‘코드 진행 → 멜로디 구조화 → 반주 배치’라는 순서로 정의하고, 이를 알고리즘적으로 구현한 점이 가장 큰 강점이다. 첫 번째 단계인 Harmony Alternation Model은 입력된 원시 코드 진행을 스타일‑특화 변형으로 매핑한다. 여기서는 음악 이론적 규칙(예: 기능 화성, 진행 규칙)과 통계적 변형(코드 교체 확률)을 결합해, 특정 장르(예: 현대 팝, 발라드)에 맞는 코드 시퀀스를 자동 생성한다. 두 번째 단계인 Melody Generation Model은 계절성 ARMA(Seasonal Autoregressive Moving Average) 프로세스를 활용한다. 기존 딥러닝 기반 시퀀스 모델과 달리 ARMA는 시간적 자기상관과 계절적 패턴을 명시적으로 모델링함으로써, 반복구조와 변주를 자연스럽게 구현한다. 특히, 멜로디 라인과 반주 라인을 동시에 다중 시계열로 취급해, 각 파트 간의 조화와 리듬 동기화를 보장한다. 세 번째 단계인 Melody Integration Model은 개별 라인을 피아노 롤 형태로 합성하고, 음역, 다이내믹, 옥타브 전이 등을 후처리하여 최종 반주 트랙을 만든다. 이 과정에서 음량 밸런싱과 음성 간 충돌 방지를 위한 규칙 기반 최적화가 적용된다. 실험에서는 30명의 청취자를 대상으로 선호도와 자연스러움을 평가했으며, 제안 시스템이 Bi‑directional LSTM 기반 베이스라인보다 평균 15% 높은 점수를 기록했다. 또한, Band in a Box와의 비교에서는 반주 텍스처와 화성 일관성 면에서 통계적으로 유의미한 차이가 없었다는 점이 흥미롭다. 한계점으로는 ARMA 모델의 파라미터 튜닝이 데이터 의존적이며, 복잡한 다중 파트 구조(예: 스트링 오케스트라)에는 확장성이 떨어진다는 점을 들 수 있다. 향후 연구에서는 딥러닝 기반 시계열 모델과 ARMA를 하이브리드하여 파라미터 자동 최적화와 장르 다양성을 동시에 추구할 계획이다.