小組討論題目Panel Title

數據導向的音樂分析方法：機會與挑戰

 

        經典的音樂理論提供許多音樂分析方法以探討音樂結構的各項層面，不但呈現出樂曲的特徵，也體現了分析者對於樂曲的深入理解。然而，詳盡的音樂分析往往需耗費分析者大量的精力及時間方能完成。身處大數據時代的音樂研究者，面對富有發掘潛能的巨量音樂資料，卻囿於有限的心力，僅能夠專注於深入分析所有資料中的極少數，實為執行研究的一大瓶頸。 音樂資訊檢索（Music Information Retrieval）的研究領域在近年來有長足的發展，能夠用以處理大量的音樂資料，但目前卻鮮少被應用於音樂理論的音樂分析，其主要原因是，音樂分析與音樂訊號處理這兩個研究領域，在本質及傳統上，具有以下三個不同之處：一、音樂分析多著重於音樂的質性描述，而工程導向的音樂訊號處理是從量化分析的角度出發；二、音樂分析提供解釋同一樂曲的不同可能性，而音樂訊號處理經常以單一答案為主；三、音樂分析體現音樂階層結構（hierarchy)中不同的層次，但音樂訊號處理通常奠基於較基礎的訊號特徵。 但以上所提出的質性／量化、單一／多元、高階／低階的特性，並非彼此互相對立而排斥。事實上，音樂資訊檢索領域在近年來的發展，亦已逐漸突破傳統音訊處理的限制，開始探究如何在大量的音樂資料中呈現出音樂的質性特徵，體現出多元可能性，以及使用由下而上（bottom-up）的方式構築出音樂的階層結構。 本小組探問音樂資訊檢索技術於協助音樂分析的可能性。第一篇論文介紹自動採譜技術近年來的發展，並討論其應用於民族音樂學，例如田野採集資料的分析；第二篇論文討論如何從基礎的音樂訊號構築出較高層次的音樂結構，例如功能和聲與模式等；第三篇論文討論如何將音樂資訊檢索應用於分析音樂演奏影音資料，並描述不同的演奏風格在資料型態上的呈現。

​

​

蘇黎

國立臺灣大學電信所博士

中央研究院資訊科學研究所助研究員​
題目：欲解繁音促節：自動採譜技術之發展現況與應用
 

        自動採譜（automatic music transcription）系統之功能為將聲音訊號（audio signal）自動轉換成機器可處理的介面或人類可閱讀的樂譜，一方面可節省聽寫與手動打譜所耗費的勞力與時間，亦可協助判讀並計算演奏過程中的諸多細節，例如以音分為單位的音高軌跡等。在音樂資訊檢索（music information retrieval）此一新興學科的觀點下，自動採譜並非單一技術，而是涵括多重音高辨識、起音點與結束點偵測、音色辨識、節奏辨識、調性辨識、聲部分離等子技術的整合型技術。 自動採譜研究歷史悠久，並且能在技術界持續受到重視，主要是因為一個系統化的音樂資訊分析工具不僅能提供紀錄音樂事件的便利性，也能在互動藝術、音樂教育、音樂遊戲、計算音樂學、數位人文等相關應用場域扮演重要角色。過往，自動採譜問題被稱作是機器聽覺（machine listening）領域中的難題，其最大的技術挑戰在於音樂訊號的高度複雜性：如多重音高與多種音色相疊的訊號特徵等，皆難以從有限的資料分析建模。近年來由於深度神經網路（deep neural networks）等人工智慧尖端技術在近幾年的突破，自動採譜系統的準確率已經大幅提升，預計在不久的將來能臻於成熟，並成為音樂分析之重要輔助工具。 本研究分為三部份。第一部份回顧過去所發展之自動、半自動與輔助性之自動採譜與編譜工具，列舉其於音樂學研究重要之應用範例，並就準確度、即時性、語意（semantic meaning）等面向比較其功能和限制。第二部分將簡介音樂人工智慧在自動採譜問題上的進展。第三部分將回到音樂學研究本身，討論目前自動採譜技術和使用者實際需求的距離，並強調使用者研究（user study）在完善自動採譜系統的重要性。

​

​

陳宗平
國立臺灣大學音樂學研究所碩士

題目：轉角遇見大數據：談音樂資訊檢索技術協助音樂分析之可能性
 

        作為瞭解音樂深層結構、和聲語法、不同音樂之風格差異等之工具，音樂分析一直是基本而不可或缺的一環。音樂理論更發展出大量的分析方法以符應不同類型的音樂與各式各樣的分析目的。儘管透過多方面檢視樂曲的各個層面，音樂分析得以建構對音樂脈絡的深度理解，卻也因為繁複的分析過程而限制了曲目的廣度。特別是今日處於音樂創作、紀錄與聆賞方式轉型的時代，每天都有大量的音樂資訊以不同的型態產生，使得針對大量樂曲進行歷時性及共時性之分析更加困難。因此，能夠在短時間內針對足量樂曲進行基本分析之工具變得實屬關鍵。本文即以模式搜索（pattern discovery）及和弦辨識（chord recognition）為例，介紹音樂資訊檢索（Music Information Retrieval）在計算音樂學領域之發展以及所遇到之困難。模式辨識旨在挖掘音樂自身或樂曲之間的一致性問題，例如音樂結構、音樂主題的變形以及樂曲的相似度等；而和弦辨識則是為了從和聲的角度探索並建立音樂的語法。透過演算法的建立，音樂資訊檢索使得自動化音樂分析成為可能。縱然受限於技術門檻以及演算法本身未臻成熟，音樂資訊檢索技術仍鮮見於音樂學界。然而正因為大數據時代的來臨，大量且有效的音樂分析更顯得至關重要。透過音樂資訊檢索技術的協助，相信對於音樂分析不僅是在質的層面上有所助益，更能在量的方面有長足之進展。

​

黃郁芬
英國愛丁堡大學音樂博士

題目：「深」思熟「律」：深度學習架構應用於音樂演奏分析

​

        在傳統的音樂分析方法中，常以樂譜作為分析的主體，而音樂演奏僅被視為樂譜的實踐。同一樂曲的不同演奏版本，常呈現出迥異的演奏風格，此些特徵呈現於演奏的聲響及演奏者的肢體動作上，但目前卻缺乏有效的分析工具可應用於分析演奏風格上的差異。 近年來，由於大型音樂資料庫的建置及發展成熟，有利於收集及取得大量的音樂演奏影音資料，但目前對於音樂演奏的大數據分析仍有需要克服的困難，包括：一、缺乏有效的工具以描述演奏聲響及肢體動作的重要特質，二、不同演奏版本之間的異質性難以使用傳統的統計學方法來分析。音樂資訊檢索技術（Music Information Retrieval）在近年來的發展，有助於從演奏聲響與肢體動作中汲取出重要的特徵，而深度學習中的神經網絡架構（neural network）不同於傳統的分析方法，不受限於預設的規則，而從大量的影音資料中發現潛在的規律，有助於從看似異質性極高的不同版本演奏中，找到共同的特徵。 本文將深度學習的神經網絡架構應用於樂團指揮者的肢體動作分析，並進一步探究指揮者使用哪些重要的動作特徵，來傳達重要的音樂詮釋，包括在樂句、力度變化、以及演奏方法上（例如圓滑奏或斷奏等）的演奏指示。並藉由此分析，嘗試探問音樂資訊檢索技術及深度學習能夠進一步應用於音樂演奏大數據分析的取徑及可能性。