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]
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.
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.
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 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 .
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 .
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 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 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]
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.
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.
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 .
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]
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]
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».
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]
{{cite book}}
: CS1 maint: отсутствует местоположение издателя ( ссылка ){{citation}}
: CS1 maint: другие ( ссылка )