從頻譜特性解析古典音樂與流行音樂的區別

祁 靜 （暨南大學藝術學院 510000）

一、 古典音樂與流行音樂區別的傳統理論及其局限性

第一種理論，也是人民群眾中最廣泛的認知，認為古典音樂是西方古典音樂時期的音樂（更準確一點是從文藝復興時期到維也納古典樂派時期的音樂），而流行音樂是20世紀之后才出現的1。這種理論的軟肋在于，且不說即便是在20世紀以前也存在著浪漫樂派和民族樂派，在20世紀50年代之后，也有大量的音樂被毫無疑問地被歸為古典音樂的范疇，最典型的例子如中國的《梁祝》小提琴協奏曲、《黃河》鋼琴協奏曲，以及美國作曲家格什溫、蘇聯作曲家普羅科菲耶夫等的大量作品。而即便是在維也納古典樂派時期，大量的維也納宮廷舞曲事實上也只是在當時流行一時，而并未流芳百世，成為當時不折不扣的流行音樂。

第二種理論，認為古典音樂是嚴肅的，而流行音樂是輕松隨意的2。這種理論的軟肋在于，古典音樂中也有大量的相當隨意的作品，例如許多小夜曲、即興曲等，甚至有許多是人民群眾在狂歡時所用的音樂，最典型的例子莫過于奧芬巴赫的輕歌劇《地獄中的奧菲歐》里的《康康舞曲》，主旋律拿出來直接就成了電影《河東獅吼》中的流行歌曲《菠菜進行曲》。而現代流行音樂中也有不少是比較嚴肅的，例如《我愛你中國》、周杰倫和王菲的許多作品，不認真唱就唱不準或唱不上去，就很難聽。與此相佐證的是，中央音樂學院鋼琴系教授杜泰航疾呼，“誰說古典音樂就是嚴肅音樂”3。

第三種理論，認為古典音樂是難以理解的，而流行音樂通俗易懂4。事實上，這種觀點多半是因為古典音樂作品多為外國作品，歌詞語言不通而致。巴赫的B小調彌撒曲第一節Kyrie eleison氣勢恢宏，其歌詞Kyrie eleison就是希臘文“上主垂憐”的意思，反復重復。只要知道了其歌詞意思，結合其應用場合（彌撒），根本就不難懂整個曲子就是反映了人們罪孽深重、祈求上帝憐憫的意義。反而是許多粵語流行歌，在不懂粵語的人們聽起來，完全是摸不著頭腦，不知道其要表達什么意思，例如李克勤《紅日》、Beyond《光輝歲月》等。

第四種理論，認為古典音樂曲式嚴謹規整、是理性的，而流行音樂曲式隨意、是感性的5。這種觀點的軟肋是古典音樂中也有大量曲式隨意的狂想曲、即興曲和近現代作品，以及以松散無秩序為標志的自由曲式作品，例如歌劇、音畫、敘事曲、幻想曲等體裁作品6。更不用說古典作品里有許多盡情宣泄感情的作品，如肖邦的《革命》練習曲、俄羅斯國歌《俄羅斯，我們神圣的祖國》等。而流行音樂中也有大量曲式嚴謹、和聲考究的作品，例如周杰倫《菊花臺》、SHE的《不想長大》等。

以上綜述了最典型的四種古典流行區別的傳統理論，它們都有實在太多的反例，因此都不能反映古典音樂與流行音樂的本質區別。

無可否認的事實是，古典音樂與流行音樂最大的表現區別是，古典音樂可以傳承數百年而仍有其韻味，而流行音樂只是給人短暫的歡愉，十年甚至幾個月后便銷聲匿跡，“其興也勃焉，其亡也忽焉”7。中外皆是如此，因此我們可以完全排除文化和歷史因素的影響，認為這兩類音樂的差別是由它們的客觀特性（最重要的是它們的頻譜特性）所致的。

二、 古典音樂與流行音樂的信號特征區別

在信號處理領域，數學家們很早就開始嘗試用數學方式來描述樂曲的特性。主要使用的特征參數包括節拍譜(beat spectrum)8、頻譜能量(spectrum power)和梅爾頻率倒譜系數(Mel-Frequency Cepstral Coefficients, MFCC)等9。

節拍譜(beat spectrum)利用離散數字信號的自相關(autocorrelation)運算，可分析樂曲的節拍特性。用信號處理的術語來說，樂曲全程都出現較高的beat spectrum值，說明整首曲子自相似特性較強，對應到音樂術語則說明節奏簡單。圖1A是典型的古典音樂和流行音樂的節拍譜特性（前16秒）。從圖上可知，古典音樂在150幀（6秒）后beat spectrum值降到非常低的值，此后只有少數地方升高，說明節奏復雜，樂曲中節奏常有變化；而流行音樂一直保持較高的beat spectrum值，說明整首曲子節奏簡單，基本上就是從頭到尾一個節奏。

頻譜功率(spectrum power)是衡量同一時間下聲音頻率的復雜程度的指標，較高的頻譜功率意味著此時整個信號中含有從低頻到高頻的許多不同頻率，也就是頻率成分復雜，對應到音樂術語則表明此時和聲豐富、聲部眾多。從圖1B上可看出，流行音樂的頻譜功率平均在-15dB左右，極大值也不超過0dB；而古典音樂的頻譜功率平均在0dB附近，且常有超過0dB的時候。這說明古典音樂比流行音樂和聲豐富、聲部眾多。

梅爾頻率倒譜系數(MFCC)根據人的聽覺特性進行多重濾波變換，反映出人耳感受最強烈的音調，在語音辨識技術上，MFCC代表著聲紋，即語音的內容。MFCC的變化對應到音樂術語上線性地反映音樂音調的內容變化。從圖1C上可看出，同為前40秒音樂，流行音樂的MFCC變化較為緩慢，幅度也較小(-0.2～0.6)，而古典音樂的MFCC變化極為頻繁，幅度也大(-0.5～1.5)。這說明古典音樂比流行音樂曲調變換豐富且劇烈。

以上三種特征是最能反映音樂特性的特征量，已被廣泛用于計算機人工智能音樂風格自動判別中。通過上述特征提取，結合一些其他的特征與支持向量機技術(Supported Vector Machine,SVM，一種有監督的自學習分類器)，對音樂風格的自動判別準確率可高達93%以上9。

三、 從頻譜特征來看為何流行音樂易于被大眾接受

音樂在社會生活中，其主要功效是為人們提供一種娛樂。絕大多數人都不會愿意為了一件放松娛樂的事情而去全神貫注、勞心費神。從上面的信號頻譜特征分析中可知，古典音樂節奏復雜、和聲豐富、曲調變換劇烈，這就要求人的大腦動用更大的處理能力來處理這些豐富的音頻信息。這必然導致古典音樂相對較難理解、需要集中精力（因此顯得比較嚴肅），從而較難被普通人民大眾所接受、所欣賞。但正是因為古典音樂節奏復雜、和聲豐富、曲調變換劇烈，才能在有限的時間里融入更多的聲部、旋律、和聲與意義，才能更加有韻味、更能激發無盡的想象，才能更經得起時間的檢驗，成為萬古流芳的作品。

四、 在音樂創作上的應用與展望

明白了上面所說的頻譜特性差異，我們就可以在音樂創作中有目的地對樂曲加以修改，使之更加“通俗化”或“古典化、高雅化”。

使樂曲通俗化，一是維持節拍譜beat spectrum的值自始至終都在較高的水平上，從音樂上說即是增加和簡化節奏感，創造出明顯的、自始至終的統一節拍。例如SHE《不想長大》，改編自莫扎特第40交響曲的旋律，加入重低音鼓點等打擊樂或貝斯等構成明顯而清晰的、自始至終的統一節拍。二是降低頻譜功率，從音樂上來說就是減少配器數量，將旋律單音化，慎用復雜的大和聲。例如陳慧琳《Lover’s Concerto》，改編自巴赫的小步舞曲，將配器簡化到極致，主旋律完全是小步舞曲的單音旋律，伴奏要么沒有，要么也幾乎是單音指彈的吉他。三是減小MFCC的波動頻率和幅度，從音樂上來說就是減少音調變化，避免大幅度的主旋律跳動，而采用級進等方法編曲。例如丸子的《愛你卡農》，改編自帕海貝爾卡農，大量采用說唱，說唱的背景低音即采用級進方式，最大程度地避免了音調劇烈變化：從“我會陪你坐地鐵”到“趨近于零交點”共16小節，即是由圖2所示的簡單級進音階反復兩次而來。當然，在創作時，可以三種方法并用，達到最好的效果。

與之相反，使樂曲古典化，則需要反其道而行之。一是將節拍譜beat spectrum的值降低，從音樂上說是使樂曲節奏復雜化、多樣化。例如《黃河大合唱》中《保衛黃河》合唱本來是為群眾傳唱而譜寫的，節奏穩定而鏗鏘有力，進行曲式；改編成《黃河》鋼琴協奏曲第四樂章后，節奏多變，快慢有致，情感豐富，更有古典味道。二是增加頻譜功率，從音樂上來說是使用復雜的大和聲、增加配器種類、加入更多的旋律。例如前蘇聯國歌《牢不可破的聯盟》，作為一首國歌其曲調必須為單一旋律以利所有人誦唱，但其配器簡單地利用了從低音到高音的和弦，其鋼琴版同一時刻和弦中一般包含5-6個音（圖3），形成了從低音到高音的和諧豐富的和聲與泛音，更有古典味道。日本動畫片《多啦A夢》主題歌被改寫成《小叮當組曲》交響樂后，配器得到極大豐富，十足古典味。三是增加MFCC的波動頻率和幅度，從音樂上來說就是增加旋律主音或強伴奏音型的跳動幅度和頻率。例如王菲的《我愿意》，副歌主旋律部分8小節中，就有3個8分音符8度跳躍和1個8分音符6度跳躍（圖4）。現代贊美詩《我以禱告來到你面前》鋼琴伴奏華彩段利用快速的和弦跳躍，頻繁地制造出3-8度的來回跳躍，同時左手部分連續制造9～16度的跳躍（圖5），以增強古典風格。

雖然頻譜特征在計算機技術和人工智能領域早已被用于樂曲的自動分類，但其僅僅是在物理和信號處理領域，與音樂的聯系在以往并無人研究。本文將頻譜特征與音樂聯系起來，從頻譜特征和人類的認知角度解析古典音樂和流行音樂的本質區別，并通過實例展示了這一區分理論在音樂創作上的運用。我們相信，這一多學科研究的成果將深化我們對音樂的認識，對音樂教學、研究、創作提供新的視角與指導。

注釋：

1.張平，《流行音樂與古典音樂》，黃河之聲2011年第6期

2.《聆聽音樂——給初聽者的音樂菜單》，新浪2001年4月，http://ent.sina.com.cn/c/b/40913.html

3.《誰說古典音樂就是嚴肅音樂》，深圳商報2005年6月8日

4.石蓓、張璐，《西方古典音樂欣賞方法研究》，大舞臺2012年第10期

5.韋琳，《淺析流行歌曲中的古典效應》，文藝生活2011年第2期

6.楊儒懷，《自由曲式結構的形成與發展》，中央音樂學報2003年第1期

7.張平，《流行音樂與古典音樂》，黃河之聲2011年第6期

8.Foote, Jonathan, and Shingo Uchihashi. "The Beat Spectrum: A New Approach To Rhythm Analysis." ICME. 2001

9.Xu, Changsheng, et al. "Musical genre classification using support vector machines." Acoustics, Speech, and Signal Processing, 2003. Proceedings.(ICASSP'03). 2003 IEEE International Conference on. Vol. 5. IEEE, 2003.