核心发现
方法论
本研究提出了一种基于音程的标记策略，结合绝对音高和音程信息，以更好地捕捉音乐的旋律轮廓和和声关系。通过对三种音乐分析任务的评估，验证了该方法的有效性。
关键结果
- 音程标记在旋律起始检测任务中提升了6%的性能。
- 在和弦转位识别中，底线参考的音程标记表现最佳。
- 在时代分类任务中，音程标记提升了1.2%的准确率。
研究意义
该研究通过引入音程标记，解决了传统绝对音高标记忽略音符间关系的问题，提升了模型在音乐分析任务中的性能和解释性，推动了符号音乐分析领域的发展。
技术贡献
提出了一种通用的音程标记框架，能够与绝对音高标记结合使用，适用于多种音乐分析任务，并提供了新的音乐解释视角。
新颖性
首次将音程标记应用于多声部音乐的符号表示，突破了传统绝对音高标记的局限，提供了更符合人类音乐感知的表示方式。
局限性
- 音程标记在生成任务中的应用有限，特别是水平音程标记。
- 实验框架较简单，未充分利用音程标记策略。
未来方向
未来可探索更多音程标记策略的组合，特别是在生成任务中的应用，以及与其他时间编码策略的结合。
AI 总览摘要
符号音乐分析通常使用自然语言处理模型，如Transformer，这些模型需要将输入数据表示为序列。传统的标记策略依赖于绝对MIDI值来表示音高信息，但这种方法可能忽略了音符之间的关系。本研究提出了一种基于音程的标记策略，通过在三个音乐分析任务中的评估，证明了这种策略可以提高模型性能并增强其可解释性。
研究表明，音程标记在旋律起始检测、和弦转位识别和时代分类任务中均表现出色，尤其是在旋律起始检测任务中，音程标记提升了6%的性能。这表明音程标记能够更好地捕捉音乐的旋律轮廓和和声关系，提供了新的音乐解释视角。
尽管音程标记在分析任务中表现出色，但在生成任务中的应用仍有限，特别是水平音程标记。未来的研究可以探索更多音程标记策略的组合，特别是在生成任务中的应用，以及与其他时间编码策略的结合，以进一步提升符号音乐分析的性能和应用范围。
深度分析
研究背景
符号音乐分析是音乐信息检索领域的重要研究方向，通常使用自然语言处理中的序列模型，如Transformer。这些模型需要将音乐数据表示为序列，而传统的标记策略主要依赖于绝对音高编码，这可能忽略了音符之间的关系。
核心问题
传统的绝对音高标记方法可能忽略了音符之间的关系，无法充分捕捉音乐的旋律轮廓和和声关系，从而限制了模型的性能和可解释性。
核心创新
本研究提出了一种基于音程的标记策略，通过结合绝对音高和音程信息，提供了一种更符合人类音乐感知的表示方式，突破了传统绝对音高标记的局限。
方法详解
- �� 提出一种通用的音程标记框架，结合绝对音高和音程信息。
- �� 评估音程标记在旋律起始检测、和弦转位识别和时代分类任务中的表现。
- �� 使用MidiTok包进行初始标记，并在BERT模型上进行实验。
实验设计
实验在多个数据集上进行，包括POP909、MTC-Piano和OpenScore String quartets。使用BERT模型评估音程标记在旋律起始检测、和弦转位识别和时代分类任务中的表现。
结果分析
音程标记在旋律起始检测任务中提升了6%的性能，在和弦转位识别中，底线参考的音程标记表现最佳。在时代分类任务中，音程标记提升了1.2%的准确率。
应用场景
音程标记可用于多种音乐分析任务，如旋律起始检测、和弦转位识别和时代分类，提升模型性能和解释性。
局限与展望
音程标记在生成任务中的应用有限，特别是水平音程标记。实验框架较简单，未充分利用音程标记策略。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。传统的绝对音高标记就像只关注每个食材的具体重量，而忽略了它们之间的搭配关系。而音程标记就像关注食材之间的味道搭配，帮助你更好地理解整个菜肴的风味组合。
简单解释 像给14岁少年讲一样
想象你在玩一个音乐游戏，传统的标记方法就像只看音符的高度，而忽略了音符之间的距离。而音程标记就像关注音符之间的距离，帮助你更好地理解音乐的旋律和和声关系。是不是很酷？
术语表
Tokenization (标记)
将输入数据表示为序列的过程。
用于将音乐数据转换为模型可处理的序列。
MIDI
一种用于表示音乐音符的数字接口。
传统标记策略依赖于绝对MIDI值。
Interval (音程)
音符之间的相对距离。
用于表示音乐的旋律轮廓和和声关系。
Transformer
一种用于处理序列数据的深度学习模型。
用于符号音乐分析任务。
BERT
一种基于Transformer的预训练语言模型。
用于评估音程标记的性能。
开放问题 这项研究留下的未解疑问
- 1 音程标记在生成任务中的应用仍有限，特别是水平音程标记。
- 2 如何结合音程标记与其他时间编码策略以提升性能？
应用场景
近期应用
旋律起始检测
使用音程标记提升旋律起始检测的准确性。
远期愿景
音乐生成
探索音程标记在音乐生成任务中的应用，提升生成音乐的质量。
原文摘要
Symbolic music analysis tasks are often performed by models originally developed for Natural Language Processing, such as Transformers. Such models require the input data to be represented as sequences, which is achieved through a process of tokenization. Tokenization strategies for symbolic music often rely on absolute MIDI values to represent pitch information. However, music research largely promotes the benefit of higher-level representations such as melodic contour and harmonic relations for which pitch intervals turn out to be more expressive than absolute pitches. In this work, we introduce a general framework for building interval-based tokenizations. By evaluating these tokenizations on three music analysis tasks, we show that such interval-based tokenizations improve model performances and facilitate their explainability.