stringtranslate.com

Вычислительное музыковедение

Вычислительная музыковедение — это междисциплинарная область исследований между музыковедением и информатикой . [1] Вычислительное музыковедение включает в себя любые дисциплины, использующие вычисления для изучения музыки. Он включает в себя такие субдисциплины, как математическая теория музыки, компьютерная музыка , систематическое музыковедение , поиск музыкальной информации , цифровое музыковедение, вычисления звука и музыки , а также музыкальная информатика . [2] Поскольку эта область исследований определяется используемыми инструментами и предметом, исследования в области компьютерной музыковедения пересекаются как с гуманитарными , так и с естественными науками . Использование компьютеров для изучения и анализа музыки обычно началось в 1960-х годах, [3] хотя музыканты начали использовать компьютеры для сочинения музыки, начиная с 1950-х годов. Сегодня компьютерное музыковедение охватывает широкий спектр тем исследований, связанных с множеством способов представления музыки. [4]

История

Эта история компьютерного музыкознания вообще началась в середине 20 века. Как правило, эта область считается продолжением гораздо более длительной истории интеллектуальных исследований в музыке, которая пересекается с наукой, математикой, технологией [5] и архивированием.

1960-е годы

Ранние подходы к компьютерному музыковедению возникли в начале 1960-х годов и были полностью развиты к 1966 году. [6] [3] На тот момент ввод данных осуществлялся в основном с помощью бумажной ленты или перфокарт [3] и был ограничен в вычислительном отношении. Из-за высокой стоимости этих исследований, чтобы получить финансирование, проекты часто задавали глобальные вопросы и искали глобальные решения. [3] Одной из самых ранних схем символического представления были цифровые альтернативные представления музыки или DARMS. Проект поддерживался Колумбийским университетом и Фондом Форда в период с 1964 по 1976 год. [7] Этот проект был одним из первых крупномасштабных проектов по разработке схемы кодирования, которая включала полноту, объективность и ориентированность на кодировщик. [7] Другая работа в это время в Принстонском университете, главным образом инициированная Артуром Менделем и реализованная Майклом Касслером [8] и Эриком Регенером, помогла продвинуть языки промежуточного музыкального языка (IML) и поиска музыкальной информации (MIR), которые позже выпали. популярности в конце 1970-х годов. 1960-е годы также ознаменовались временем документирования библиографических инициатив, таких как Международный репертуар музыкальной литературы (RILM), созданный Барри Бруком в 1967 году.

1970-е годы

В отличие от глобальных исследовательских интересов 1960-х годов, цели компьютерного музыковедения в 1970-х годах были обусловлены решением определенных задач. [3] Эта мотивация, обусловленная задачей, привела к разработке MUSTRAN для анализа музыки под руководством Джерома Венкера и Дороти Гросс из Университета Индианы . Подобные проекты, такие как SCORE (SCORE-MS) в Стэнфордском университете, разрабатывались преимущественно для полиграфических целей.

1980-е годы

1980-е годы были первым десятилетием перехода от централизованных вычислений к персонализированным вычислениям. Такое перемещение ресурсов привело к росту отрасли в целом. Джон Уолтер Хилл начал разработку коммерческой программы под названием Savy PC , которая должна была помочь музыковедам анализировать лирическое содержание музыки. Результаты изучения музыки Хилла позволили обнаружить закономерности в преобразованиях священных и светских текстов, при которых были изменены только первые строки текстов. [3] В соответствии с глобальными вопросами, которые доминировали в 1960-е годы, Хельмут Шаффрат начал свою Эссенскую фольклорную коллекцию, закодированную в Эссенском ассоциативном коде (ESAC), который с тех пор был преобразован в банальную нотацию. [9] Используя программное обеспечение, разработанное в то время, Сандра Пинегар исследовала рукописи теории музыки 13-го века в своей докторской работе в Колумбийском университете, чтобы получить доказательства датировки и автора текстов. [10] В 1980-х годах также была введена нотация MIDI .

Методы

Вычислительное музыковедение можно в целом разделить на три основных направления, связанных с тремя способами представления музыки на компьютере: нотными данными, символическими данными и аудиоданными. Нотные данные представляют собой удобочитаемое графическое представление музыки с помощью символов. Примеры этой области исследований включают оцифровку партитур от нейменальной нотации 15-го века до современной западной нотной записи . Как и данные нот, символические данные относятся к нотной записи в цифровом формате, но символические данные не читабельны для человека и кодируются для анализа компьютером. Примеры этого типа кодирования включают в себя Piano Roll , Kern, [11] и MIDI -представления. Наконец, аудиоданные относятся к записи изображений акустической волны или звука, возникающих в результате изменений колебаний давления воздуха. [12] Примеры этого типа кодирования включают файлы MP3 или WAV .

Данные нот

Ноты предназначены для чтения музыкантом или исполнителем. Как правило, этот термин относится к стандартизированной номенклатуре, используемой культурой для документирования нотной записи. Помимо музыкальной грамотности, нотная грамота требует от исполнителя и выбора. Например, нотация хиндустанских раг начинается с алапа , не требующего строгого соблюдения такта или пульса , но оставляемого на усмотрение исполнителя. [13] Ноты фиксируют последовательность жестов, которые исполнителю рекомендуется делать в рамках музыкальной культуры, но ни в коем случае не привязаны к этому выбору исполнения.

Символические данные

Символические данные относятся к музыкальному кодированию, которое может быть проанализировано компьютером. В отличие от нотных данных, любой тип формата цифровых данных может рассматриваться как символический, поскольку представляющая его система генерируется из конечной серии символов. Символические данные обычно не требуют какого-либо перформативного выбора со стороны исполнителя. [4] Двумя наиболее распространенными вариантами программного обеспечения для анализа символических данных являются Humdrum Toolkit Дэвида Гурона [14] и музыка Майкла Скотта Катберта21. [15]

Аудиоданные

Аудиоданные обычно концептуализируются как существующие в континууме функций, начиная от звуковых функций более низкого и более высокого уровня. К характеристикам звука низкого уровня относятся громкость , спектральный поток и кепстр . Аудио функции среднего уровня относятся к высоте тона , началу и доле. Примеры аудиофункций высокого уровня включают style , Artist , Mouth и Key . [16]

Приложения

Музыкальные базы данных

Одним из первых применений компьютерной музыкознания было создание и использование музыкальных баз данных . Ввод, использование и анализ больших объемов данных при использовании ручных методов может быть очень затруднительным, тогда как использование компьютеров может значительно облегчить такие задачи.

Анализ музыки

Для анализа музыкальных данных были разработаны различные компьютерные программы. Форматы данных варьируются от стандартных обозначений до необработанного звука. Анализ форматов, основанных на сохранении всех свойств каждой ноты, например MIDI , использовался изначально и до сих пор является одним из наиболее распространенных методов. Лишь недавно были достигнуты значительные успехи в анализе необработанных аудиоданных.

Искусственное производство музыки

Различные алгоритмы можно использовать как для создания законченных композиций , так и для импровизации музыки . Одним из методов, с помощью которых программа может научиться импровизации, является анализ выбора, который делает игрок-человек во время импровизации. В таких приложениях широко используются искусственные нейронные сети .

Исторические перемены и музыка

Одной из развивающихся социомузыкологических теорий в компьютерном музыкознании является «Дискурсивная гипотеза», предложенная Кристоффером Дженсеном и Дэвидом Г. Хебертом , которая предполагает, что «поскольку и музыка, и язык являются культурными дискурсами (которые могут отражать социальную реальность одинаково ограниченными способами), отношения могут быть идентифицируемыми между траекториями существенных особенностей музыкального звука и лингвистическим дискурсом относительно социальных данных». [17] Согласно этой точке зрения, анализ « больших данных » может улучшить наше понимание того, как отдельные характеристики музыки и общества взаимосвязаны и аналогичным образом изменяются с течением времени, поскольку значительные корреляции все чаще выявляются в музыкально-лингвистическом спектре человеческого слухового общения. . [18]

Незападная музыка

Стратегии компьютерного музыкознания в последнее время применяются для анализа музыки в различных частях мира. Например, профессора Технологического института Бирлы в Индии провели исследования гармонических и мелодических тенденций (в структуре раги ) классической музыки хиндустани . [19]

Исследовать

База данных RISM (Répertoire International des Sources Musicales) — одна из крупнейших в мире музыкальных баз данных, содержащая более 700 000 ссылок на музыкальные рукописи. Любой желающий может использовать поисковую систему для поиска композиций. [20]

Центр истории и анализа записанной музыки (CHARM) разработал проект «Мазурка», [21] который предлагает «загружаемые записи… аналитическое программное обеспечение и учебные материалы, а также различные ресурсы, относящиеся к истории звукозаписи».

Вычислительная музыковедение в популярной культуре

Исследования в области компьютерного музыковедения иногда оказываются в центре внимания массовой культуры и крупных новостных агентств. Примеры этого включают репортажи в The New Yorker музыковедов Николаса Кука и Крейга Саппа, которые во время работы в Центре истории и анализа записанной музыки (CHARM) в Лондонском университете обнаружили поддельную запись пианистки Джойс Хатто . [22] В 334-й день рождения Иоганна Себастьяна Баха компания Google отпраздновала это событие выпуском Google Doodle, который позволял людям вводить свою собственную партитуру в интерфейс, а затем использовать модель машинного обучения под названием Coconet [23] для гармонизации мелодии. [24]

Смотрите также

Рекомендации

  1. ^ «Раскрытие потенциала вычислительной музыкознания» (PDF) . Материалы тринадцатой международной конференции «Информатика и семиотика в организациях: проблемы и возможности вычислительных гуманитарных наук» .
  2. ^ Мередит, Дэвид (2016). "Предисловие". Компьютерный музыкальный анализ . Нью-Йорк: Спрингер. п. против ISBN 978-3319259291.
  3. ^ abcdef Хьюлетт, Уолтер Б.; Селфридж-Филд, Элеонора (1991). «Компьютеры в музыковедении, 1966–91». Компьютеры и гуманитарные науки . 25 (6): 381–392. дои : 10.1007/BF00141188. JSTOR  30208121. S2CID  30204949.
  4. ^ Аб Мейнард, Мюллер (21 июля 2015 г.). Основы обработки музыки: звук, анализ, алгоритмы, приложения . Швейцария. ISBN 9783319219455. ОКЛК  918555094.{{cite book}}: CS1 maint: отсутствует местоположение издателя ( ссылка )
  5. ^ Форте, Аллен (1967). «Музыка и компьютеры: современная ситуация». Компьютеры и гуманитарные науки . 2 (1): 32–35. дои : 10.1007/BF02402463. JSTOR  30203948. S2CID  33681168.
  6. ^ Берлинд, Гэри; Брук, Барри С.; Хиллер, Лехарен А.; Ларю, Ян П.; Логеманн, Джордж В. (осень 1966 г.). «Сочинения об использовании компьютеров в музыке». Музыкальный симпозиум колледжа . 6 : 143–157. JSTOR  40373186.
  7. ^ аб Эриксон, Раймонд Ф. (1975). "«Проект Дармс»: отчет о состоянии». Компьютеры и гуманитарные науки . 9 (6): 291–298. doi : 10.1007/BF02396292. JSTOR  30204239. S2CID  62220033.
  8. ^ "Документы Джейми и Майкла Касслеров". Трове . Проверено 23 февраля 2023 г.
  9. ^ "Домашняя страница данных ESAC" . www.esac-data.org . Проверено 11 февраля 2019 г.
  10. ^ Пинегар, Сандра (1991). Текстовые и концептуальные связи между теоретическими сочинениями по измеримой музыке тринадцатого и начала четырнадцатого веков (кандидатская диссертация). Колумбийский университет. ПроКвест  303944932.
  11. ^ Гурон, Дэвид (2002). «Обработка музыкальной информации с использованием Humdrum Toolkit: концепции, примеры и уроки». Компьютерный музыкальный журнал . 26 (2): 11–26. дои : 10.1162/014892602760137158. S2CID  25996361.
  12. ^ Мюллер, Мейнард (2015), «Музыкальные представления», в Мюллер, Мейнард (редактор), « Основы обработки музыки» , Springer International Publishing, стр. 1–37, doi : 10.1007/978-3-319-21945-5_1 , ISBN 9783319219455
  13. ^ Путеводитель по рагам: обзор 74 хиндустанских раг , Бор, Джоп., Рао, Суварналата, 1954-, Меер, Вим ван дер., Харви, Джейн, 1949-, Чаурасия, Харипрасад., Дас Гупта, Буддадев, 1933- , Отчеты Нимбуса, 2002, ISBN 978-0954397609, OCLC  80291538{{citation}}: CS1 maint: другие ( ссылка )
  14. ^ «Набор инструментов Humdrum: Программное обеспечение для музыкальных исследований - документация по humdrum-tools 1» . www.humdrum.org . Проверено 20 марта 2019 г.
  15. ^ Катберт, Майкл Скотт; Ариза, Кристофер (август 2010 г.). «Музыка21: набор инструментов для компьютерной музыковедения и символических музыкальных данных». В Дж. Стивене Дауни; Ремко К. Вельткамп (ред.). 11-я конференция Международного общества поиска музыкальной информации (ISMIR 2010), 9-13 августа 2010 г., Утрехт, Нидерланды . Международное общество поиска музыкальной информации. стр. 637–642. hdl : 1721.1/84963. ISBN 9789039353813.
  16. ^ Пабло Белло, Хуан. «Низкоуровневые функции и тембр» (PDF) . Нью.еду . Проверено 11 февраля 2019 г.
  17. ^ МакКоллум, Джонатан и Хеберт, Дэвид (2014) Теория и метод в исторической этномузыкологии Лэнхэм, Мэриленд: Lexington Books / Rowman & Littlefield ISBN 0739168266 ; стр.62. Некоторые из новаторских выводов Дженсена и Хеберта о тенденциях в песнях из Billboard Hot 100, сделанных в 2013 году , с тех пор были воспроизведены и расширены другими учеными (например, Маух М., МакКаллум Р.М., Леви М., Леруа А.М., 2015 г. Эволюция популярной музыки: США, 1960 г.). –2010. Р. Сок. 2: 150081. https://dx.doi.org/10.1098/rsos.150081). 
  18. ^ Кристоффер Дженсен и Дэвид Г. Хеберт (2016). Оценка и прогнозирование гармонической сложности за 76 лет попадания в Billboard 100. В Р. Кронланд-Мартине, М. Арамаки и С. Истаде (ред.), Музыка, разум и воплощение. Швейцария: Springer Press, стр. 283–296. ISBN 978-3-319-46281-3 . 
  19. ^ Чакраборти, С., Маццола, Г., Тевари, С., Патра, М. (2014) «Вычислительная музыковедение в музыке хиндустани», Нью-Йорк: Springer.
  20. ^ База данных RISM, <http://www.rism.info/>
  21. ^ Проект Мазурка, <http://mazurka.org.uk/>
  22. ^ Певец, Марк (10 сентября 2007 г.). «Фантазия для фортепиано». Житель Нью-Йорка . ISSN  0028-792X . Проверено 23 марта 2019 г.
  23. ^ Хуан, Ченг-Чжи Анна; Койманс, Тим; Робертс, Адам; Курвиль, Аарон; Эк, Дуглас (17 марта 2019 г.). «Контрапункт по свертке». arXiv : 1903.07227 [cs.LG].
  24. ^ «Coconet: модель ML, лежащая в основе сегодняшнего дудла Баха» . magenta.tensorflow.org . 20 марта 2019 г. Проверено 23 марта 2019 г.

Внешние ссылки