一种用于旋律简化的统计模型

在音乐信息检索（MIR）中，自动和弦估计（ACE）系统性能不佳的一个常被提及的原因是，非和弦音（即支撑和声之外的音符）在标注过程中导致了错误。尽管机器学习方法在 MIR 中十分普遍，但在某些情况下，替代方法提供了更简单的选择，同时有助于洞察音乐学实践。在本项目中，我们提出了一个基于音乐理论规则预测和弦音的统计模型。我们的模型目前专注于预测古典音乐中的和弦音，因为这种风格的作曲受到高度约束，理论上使得和弦音的放置高度可预测。事实上，音乐理论家对各类非和弦音都有标注系统，主要依据音符的节拍位置以及接近与离开的音程来分类。利用节拍位置、时值和旋律音程作为预测变量，我们使用 TAVERN 数据集构建了一个预测和弦音的统计模型。虽然我们的概率方法与自动和声分析领域的其他工作类似，但我们的重点是旋律简化而非预测和声。不过，我们希望未来能探索其在 ACE 中的应用。最后，我们使用现有的符号可视化工具实现了我们的旋律简化模型，以协助计算音乐学研究人员和音乐理论家进行旋律简化与非和弦音识别。