數字音樂學研究綜述

【摘要】數字音樂學是數字時代音樂研究的重要發展方向。本文針對數字音樂學的發展歷史、學科范圍及研究現狀進行了概況介紹，并從音樂表示研究、研究數據集建設、相關技術工具和音樂研究應用等方面對數字音樂學研究內容進行了系統的分析闡述。本文為研究者提供了數字音樂學的知識地圖和相關研究實踐所需的資源、工具和方法參考。

【關鍵詞】數字音樂學;數字人文;數據集;音樂表示;音樂信息檢索

【中圖分類號】J623.3 ? ? ? ? ? ? ? ? ? ? ?【文獻標識碼】A ? ? ? ? ? ? ? ? ? ? ?【文章編號】1002-767X（2020）01-0004-02

【本文著錄格式】楊媛.數字音樂學研究綜述[J].北方音樂，2020，01（02）：4-5，14.

引言

進入21世紀，計算機、數字、網絡、人工智能等技術快速發展，各學科研究數據及數字化研究資料總量呈指數性增長，這些因素推動了人文學科向“數據密集型研究”為主要特征的科學研究的第四范式升級。在此背景下，數字、網絡、語義網、人工智能、可視化、虛擬現實等技術和計算的方法深入應用于傳統人文研究與教學，數字人文（Digital Humanities，DH）研究熱潮自此興起。“數字音樂學”（Digital Musicology，DM）作為DH的一個重要研究分支，為音樂研究提供了全新的研究方法和研究視角。

在我國，雖有關于音樂研究新方法、新技術的介紹或研究，但遺憾的是其缺乏E-Science背景下的整體定義和系統分析。另外，受技術、基礎設施建設和跨學科交流不足等因素影響，國外DM的發展并未引起國內學者的充分關注。所以，本文希望通過對DM發展歷史、研究內容的系統闡述，能夠增進國內學者對DM的認識，為相關研究提供實踐參考，助力我國DM研究發展。

一、概述

DH是20世紀40年代末人文計算（Humanities Computing，HC）實踐的發展延伸，21世紀初，當“人文計算”已無法全面、準確描述領域研究內容與方法時，“數字人文”更名進程迅速開啟并完成。

與之類似的是，“數字音樂學”的命名也是對音樂學領域中涉及計算機、數字技術的研究內容的重新梳理與定位。其實，早在20世紀50年代就出現了對音樂進行建模計算及模擬研究的音樂計算（Computational Musicology，CM）。最早的CM會在沒有計算機輔助的環境下使用統計和數學的方法進行音樂分析，隨著計算機數字技術與音樂學科交叉領域的不斷擴展，到90年代，CM的研究內容已經包括了音樂理論分析、音樂機器可讀格式編碼和音樂數據庫建設三大部分，遠遠超越了利用計算的手段對音樂理論進行研究的范疇。21世紀初，伴隨著DH更名進程，“數字音樂學”這一稱謂也獲得了越來越廣泛的認同和使用。2015年，在國際音樂圖書館、檔案和文獻協會下設國際音樂學學會 （IAML/IMS）召開的 “數字時代中的音樂研究”主題會議中宣布“DM己成為主流音樂學的一部分，生成了音樂研究的一個分支。”

目前，《Journal Of New Music Research》《Computer in Music Research》《Journal Of Mathematics And Music》等音樂研究期刊已成為DM研究成果的重要發布平臺。斯坦福大學、倫敦瑪麗女王大學、麥吉爾大學等紛紛開設了計算機輔助音樂研究的中心或實驗室，從音頻信息處理、音樂研究數據集建設、音樂資源語義化等方面對DM技術進行研究。另外，音樂學數字圖書館研討會（DLfM）、國際音樂信息檢索會議（ISMIR）、IAML/IMS等多個國際性會議都對DM背景下的數字資源建設、信息檢索、知識組織等方面進行著持續關注。

現在，DM研究范圍已涉及音樂理論、歷史音樂學、認知音樂學、民族音樂學和與表演實踐相關的研究，還包括了各種利用計算機技術進行的音樂表示、研究數據集建設和研究工具開發的研究，學科交叉范圍已擴展到計算機科學、圖書情報學、認知科學、聲學等領域。

二、音樂表示

對于知識、信息形式化表示的研究一直是DH的重要基礎性研究，而音樂表示研究主要圍繞樂譜到符號表示、音樂音頻到音頻特征表示這兩個主題展開，研究的目的就是將樂譜提供的圖像信息和音頻提供的聽覺信息轉化為機器可讀可理解的編碼文件或數據，使其成為算法、程序可以直接計算、比較、分析的研究語料。

音樂符號表示的轉換過程需先將樂譜中包含的音樂意義元素和結構進行清晰、全面的定義，然后再以ASCII或XML等計算機編碼、語言進行翻譯轉錄，獲得音樂符號表示即樂譜編碼文件。在這里，對音樂信息的分層建模、音樂概念及結構的定義和對應的計算機語法、句法規則的制定是DM研究關注的重點。Humdrum、MEI、IEEE P15999等樂譜編碼規則即是此類研究的重要成果，它們已經成為基于計算方法的音樂理論分析的重要格式支持，也是基于樂譜內容檢索的實現基礎。

在將音頻文件中包含的音樂信息進行形式化轉換的過程中，需廣泛借助音樂信息檢索（MIR）技術，如利用音頻特征提取技術對音頻文件（mp3、wav）進行的特征分析，再如利用機器學習技術對特征數據進一步分析獲得人類可認知的或音樂學定義的音樂概念。MIR可實現音高和旋律、和弦和調性、節奏和速度、結構、樂器和音色、情感、流派等信息的自動提取、分析。利用音頻分析語料，研究者可通過相似性分析、特征對比等手段，在表演者、作曲家、年代、地域等不同維度中進行研究發現。另外，音頻特征數據還是基于音頻的內容檢索（如哼鳴檢索）的實現基礎。目前，MEPG-7標準中全面定義了音頻特征提取及描述模式標準，并提供了對應的音頻分析工具，這些都為基于音頻的DM研究提供了有力支持。

三、研究數據、工具及技術

樂譜編碼標準和MIR的發展推動了音樂研究數據集建設。在音樂符號表示方面，大量項目借助樂譜光學識別（OMR）技術對樂譜進行編碼轉錄，如魯特琴音樂電子語料庫（ECOLM）、樂譜搜索分析單一接口項目（SIMSSA），它們都借助了OMR軟件，對樂譜進行半自動編碼（需人工校驗），建成支持全文檢索與分析的音樂符號表示數據集;在樂譜分析工具方面，Humdrum、Muxic21是兩個較為常用的命令行工具，可實現樂句、旋律和節奏模式等音樂概念的分析定位。ELVIS項目在Muxic21和Pandas基礎上開發出VIS軟件框架（Python包），可更為靈活、簡便地實現針對樂譜編碼文件的分析程序編寫，其對和聲、旋律音程的表示方法在基于語料分析的音樂研究中起到了良好的示范作用。

在基于音頻的數據集建設方面，已有馬祖卡數據集、百萬歌曲數據集（Million Song Dataset）等多個音頻特征數據集，可為研究者提供包括調（key）、音符起始點（note onset）、速度（tempo）等基礎信息。另外，還有一些數據集在音頻特征數據基礎上又進行了音樂概念標注。如SALAMI項目在對35萬條表演音頻進行特征分析后，又利用機器學習技術對曲式分析算法進行有監督的學習訓練，并將最佳算法應用于特征數據的處理中，最后完成例如ABA 或 ABCBA的曲式結構標注。目前，還有大量音頻分析工具，可使研究者自主完成音頻文件標注、實時數據獲取、特征提取、模式識別和機器學習、音頻特征或音頻集合特征可視化等分析研究任務。

DM數據集的主要內容包括樂譜編碼數據、音頻特征數據，還有音樂資料、文獻相關的結構性數據。在語義技術影響下，DM更關注于通過制定音樂領域本體和詞表組織領域知識，借助RDF、OWL、SPAQL等語義網技術，將各類數據轉化為RDF格式，相關實體、概念、屬性相互關聯，最終以知識圖譜的形式完成知識網絡的構建，MusicBrainz、BBC Music、MySpace等開放關聯數據（LOD）方式發布的數據集是此類研究的代表。

四、音樂研究應用

研究對像的數據化、語義化和大量分析工具的出現為音樂研究進入數據密集型研究階段創造了條件。DM的研究思想及方法應用到了音樂研究的各個領域：①在音樂理論分析（music theory and analysis）方面，DM圍繞著基本音樂理論、術語（如音階、和弦、調性等）的重新定義展開，如何讓音樂理論概念與音樂作品的具體計算分析過程建立關聯是其研究核心。如基于節拍光譜（beat spectrum）的節奏分析研究，利用編碼語料庫和機器學習技術對申克分析（Schenkerian analysis）理論進行的準確性分析等;②在歷史音樂學（historical musicology）方面，各類音樂資料的機讀格式升級全面展開，以音樂研究數據為基礎，結合歷史、地域、文化等大數據信息進行的數據驅動式研究為學者提供了更為廣泛的研究素材和全新的研究視角;③在民族音樂學領域，MIR技術廣泛應用于民歌的相似性分析、分類、溯源。與傳統民族音樂學研究相比，能夠集成更為豐富的語料，處理更為復雜的信息是DM的特點和優勢。如將音高、樂曲整體旋律結構和樂句結構信息進行綜合分析處理的民歌相似性計算模型研究，還有基于大量不同地域的民歌語料庫的民歌比較研究;④在認知音樂學中，DM的研究方法深度應用于人對音樂感知的模擬分析中。如計算機建模結合大腦掃描方法解釋了認知過程和記憶是如何在人類大腦中發生的，以及這些過程和記憶如何影響我們的音樂體驗和演奏。認知音樂學對音樂理論與感知相關性的研究成果反向推動了DM技術發展，許多認知音樂結構的計算方法被應于MIR;⑤在音樂表演研究中，DM將音樂表演過程中的參數作為研究對象，其中包含了音量、演奏速度等樂譜不能涵蓋的信息，為表演實踐研究提供了新的研究維度。例如，就演奏者對樂曲的理解分析是否會對其最終演奏效果產生影響這一問題，DM提供了量化研究的技術與方法。再如，尼古拉斯·庫克教授利用馬祖卡數據集對喬伊斯·哈托唱片剽竊問題的權威研究。

DM在數據、工具、系統平臺等方面的研究成果促進著音樂領域數字人文基礎設施建設的日益完善，在此背景下，以數據為基礎的形式化的音樂理論研究及表演實踐研究日漸豐富，這些成果反向促進了DM技術和方法的升級，DM正進入良性互動的加速發展時期。

五、總結

DM將音樂研究素材從包含不完全音樂信息的樂譜升級為包含完全信息的音頻，將研究方法從小規模的樣本分析升級為大數據量級的統計研究分析，將算法、工具引入研究過程深度替代了人工，這些都推動了音樂研究的轉型升級。DM對音樂研究者的知識結構提出了挑戰，研究者在提升自身認知的同時，更要加強與計算機技術、圖書情報等領域學者的交流合作，實現知識、資源、技術的緊密結合，才能在DM的研究與實踐中獲得成功。

參考文獻

[1] Coutinho，E.，Gimenes，M.，Martins，J.M.，Miranda，E.R.Computational Musicology：An Artificial Life Approach[P]. Artificial intelligence，2005.epia 2005.portuguese conference on，2005.

[2] Inskip C.Digital Musicology：Mission Accomplished？[C]. 2015 IAML/IMS Congress：Music Research in the Digital Age， 2015.

[3] Cook N.Towards the compleat musicologist？Invited talk[C].Sixth International Conference on Music Information Retrieval.2005.

[4] Antila C.VIS Music Analysis Framework[EB/OL]. [2019-09-15].https：//vis-framework.readthedocs.io/en/v3.0.5/.

[5] About SALAMI Introduction and Background[EB/OL].[2019-09-15].https：//ddmal.music.mcgill.ca/research/SALAMI/background.

[6] Lidy T.IFS mir group Webservices[EB/OL].[2019-09-15].http：//www.ifs.tuwien.ac.at/mir/webservice/.

[7] Sonic Visualiser[EB/OL].[2019-09-15].https：//www.sonicvisualiser.org/.

[8] Foote J，Uchihashi S.The beat spectrum：A new approach to rhythm analysis[C]//IEEE International Conference on Multimedia and Expo，2001.ICME 2001.IEEE，2001：881-884.

[9] Kirlin P，Jensen D.Learning to Uncover Deep Musical Structure[C]//Twenty-Ninth AAAI Conference on Artificial Intelligence.2015.

[10] Tuppen S，Rose S，Drosopoulou L. Library catalogue records as a research resource： introducinga big data history of music[J].Fontes Artis Musicae，2016：67-88.

[11] Van Kranenburg P，Garbers J，Volk A，et al.Collaboration perspectives for folk song research and music information retrieval：The indispensable role of computational musicology[J]. jims，2010，2009：30.

[12] Juhász Z.A systematic comparison of different European folk music traditions using self-organizing maps[J]. Journal of New Music Research，2006，35（2）：95-112.

[13] Haumann N T.An Introduction to Cognitive Musicology：Historical-Scientific Presuppositions in the Psychology of Music[M].Danish Musicology Online.2015.

[14] Gingras B，McAdams S，Schubert P，et al.The Performer as Analyst.A Case Study of JS Bachs Dorian Fugue BWV 538[M].na，2008.

[15] Cook N，Sapp C.Purely coincidental？joyce hatto and chopins mazurkas[J].Royal Holloway，Univ. of London， London，UK，2007.

作者簡介：楊媛（1984—），女，漢族，天津人，碩士，天津音樂學院圖書館，館員，科員，研究方向：數字人文、數字音樂學。