Вычислительное музыковедение
Вычислительная музыковедение — это междисциплинарная область исследований между музыковедением и информатикой . [1] Вычислительная 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 музыкознания пересекаются как с гуманитарными, так и с естественными науками . Использование компьютеров для изучения и анализа музыки началось в 1960-х годах. [3] хотя музыканты использовали 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 [ править ]
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 архивирование.
1960-е годы [ править ]
Ранние подходы к компьютерному музыкознанию 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 в себя полноту, объективность и ориентированность на кодировщика. [7] Другая работа в это время в Принстонском университете, возглавляемая главным образом Артуром Менделем и реализованная Майклом Касслером. [8] и Эрик Регенер помог продвинуть языки промежуточного музыкального языка (IML) и поиска музыкальной информации (MIR), которые позже потеряли популярность 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 [ править ]
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 [ править ]
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 банальные обозначения. [9] Используя программное обеспечение, разработанное в то время, Сандра Пинегар исследовала рукописи теории музыки XIII века в своей докторской работе в Колумбийском университете, чтобы получить доказательства датировки и автора текстов. [10] В 1980-е годы также была введена нотация MIDI .
Методы [ править ]
Вычислительное музыковедение можно в целом разделить на три основных направления, связанных с тремя способами представления музыки на компьютере: нотными данными, символическими данными и аудиоданными. Ноты 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 фортепианную дробь , керн, [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 [ править ]
Ноты предназначены для чтения музыкантом или исполнителем. Как правило, этот термин относится к стандартизированной номенклатуре, используемой культурой для документирования своей нотной записи. Помимо музыкальной грамотности, нотная грамота требует от исполнителя 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 совершать в рамках музыкальной культуры, но ни в коем случае не привязаны к этому выбору исполнения.
Символические данные [ править ]
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 Дэвида Гурона. Humdrum Toolkit [14] и музыка Майкла Скотта Катберта21. [15]
Аудиоданные [ править ]
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 , Moment и Key . [16]
Приложения [ править ]
Музыкальные базы данных [ править ]
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 [ править ]
Для анализа музыкальных данных были разработаны различные компьютерные программы. Форматы данных варьируются от стандартной нотации 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 [ править ]
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. искусственные нейронные сети В таких приложениях широко используются .
и музыка перемены Исторические
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 столь же 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 меняются с течением времени, поскольку значимые корреляции все чаще выявляются в музыкально-лингвистическом спектре человеческого слухового общения. [18]
Незападная музыка [ править ]
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]
Исследования [ править ]
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».
музыковедение в популярной Вычислительная культуре
Исследования в области компьютерного музыковедения иногда оказываются в центре внимания массовой культуры и крупных новостных агентств. В качестве примера можно привести 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 дудлом Google, который позволял людям вводить в интерфейс свои собственные оценки, а затем использовать модель машинного обучения под названием Coconet. [23] гармонизировать мелодию. [24]
См. также [ править ]
- Алгоритмическая композиция
- Компьютерные модели музыкального творчества.
- Музыкальное познание
- Когнитивное музыковедение
- Музыковедение
- Искусственная нейронная сеть
- МИДИ
- JFugue
Ссылки [ править ]
- ^ «Раскрытие потенциала вычислительной музыкознания» (PDF) . Материалы тринадцатой международной конференции «Информатика и семиотика в организациях: проблемы и возможности вычислительных гуманитарных наук» .
- ^ Мередит, Дэвид (2016). "Предисловие". Компьютерный музыкальный анализ . Нью-Йорк: Спрингер. п. ISBN против 978-3319259291 .
- ^ Jump up to: Перейти обратно: а б с д и ж 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 .
- ^ Jump up to: Перейти обратно: а б Мейнард, Мюллер (21 июля 2015 г.). Основы обработки музыки: звук, анализ, алгоритмы, приложения . Швейцария. ISBN 9783319219455 . OCLC 918555094 .
{{cite book}}: CS1 maint: отсутствует местоположение издателя ( ссылка ) - ^ Форте, Аллен (1967). «Музыка и компьютеры: современная ситуация». Компьютеры и гуманитарные науки . 2 (1): 32–35. дои : 10.1007/BF02402463 . JSTOR 30203948 . S2CID 33681168 .
- ^ 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 .
- ^ Jump up to: Перейти обратно: а б Эриксон, Раймонд Ф. (1975). « Проект Дармс»: отчет о состоянии». Компьютеры и гуманитарные науки . 9 (6): 291–298. дои : 10.1007/BF02396292 . JSTOR 30204239 . S2CID 62220033 .
- ^ «Документы Джейми и Майкла Касслеров» . Трове . Проверено 23 февраля 2023 г.
- ^ «Домашняя страница данных ESAC» . www.esac-data.org . Проверено 11 февраля 2019 г.
- ^ Пинегар, Сандра (1991). Текстовые и концептуальные связи между теоретическими сочинениями по измеримой музыке тринадцатого и начала четырнадцатого веков (кандидатская диссертация). Колумбийский университет. ПроКвест 303944932 .
- ^ 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 .
- ^ Мюллер, Мейнард (2015), «Музыкальные представления», в книге Мюллер, Мейнард (редактор), «Основы обработки музыки» , Springer International Publishing, стр. 1–37, номер документа : 10.1007/978-3-319-21945-5_1 , ISBN 9783319219455
- ^ 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 ) - ^ «The Humdrum Toolkit: Программное обеспечение для музыкальных исследований — документация по humdrum-tools 1» . www.humdrum.org . Проверено 20 марта 2019 г.
- ^ 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 .
- ^ Пабло Белло, Хуан. «Низкоуровневые функции и тембр» (PDF) . Нью.еду . Проверено 11 февраля 2019 г.
- ^ 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. Soc. 2: 150081. https://dx.doi.org/10.1098/rsos.150081 .
- ^ 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 .
- ^ Чакраборти, С., Маццола, Г., Тевари, С., Патра, М. (2014) «Вычислительная музыковедение в музыке хиндустани», Нью-Йорк: Springer.
- ^ База данных RISM, < http://www.rism.info/ >
- ^ Проект Мазурка, < http://mazurka.org.uk/ >
- ^ Певец, Марк (10 сентября 2007 г.). «Фантазия для фортепиано» . Житель Нью-Йорка . ISSN 0028-792X . Проверено 23 марта 2019 г.
- ^ Хуан, Ченг-Чжи Анна; Койманс, Тим; Робертс, Адам; Курвиль, Аарон; Эк, Дуглас (17 марта 2019 г.). «Контрапункт по свертке». arXiv : 1903.07227 [ cs.LG ].
- ^ «Coconet: модель машинного обучения, лежащая в основе современных дудлов Баха» . magenta.tensorflow.org . 20 марта 2019 г. Проверено 23 марта 2019 г.
