Inside the HVSC

3 - Computergestützte Musikanalyse

9 min read

Muster erkennen in großen Musikkorpora

Die computergestützte Musikanalyse als Teil der computergestützten Musikwissenschaft stellt ein interdisziplinäres Forschungsfeld dar, das quantitative Methoden zur Untersuchung musikalischer Phänomene einsetzt. Wie bereits im Überblick beschrieben ist es das primäre Ziel, zugrunde liegende Muster und Beziehungen in der musikalischen Organisation auf verschiedenen Ebenen, von einzelnen Noten bis hin zu umfassenden musikalischen Abschnitten, aufzudecken..

Von den Ursprüngen bis zum Music Information Retrieval

Die Ursprünge der computergestützten Musikanalyse reichen bis in die Anfänge der Computertechnologie zurück, wobei erste Arbeiten bereits 1937 dokumentiert sind und sich zunächst auf statistische und informationstheoretische Analysen konzentrierten. Seit den späten 1980er Jahren verschiebt sich der Fokus zunehmend auf die automatisierte Analyse und Synthese von Musik, mit einem signifikanten Schwerpunkt auf dem Bereich des Music Information Retrieval (MIR) in den letzten Jahrzehnten. MIR ist ein multidisziplinäres Gebiet, das sich u.a. mit dem Browsen, Suchen und Organisieren großer Musikkollektionen befasst.

Distant Reading durch Statistik und maschinelles Lernen

Die computergestützte Musikanalyse ermöglicht es u.a. musikalische Strukturen wie Harmonie, Metrum und Form zu untersuchen. Mithilfe statistischer Analysen, maschinellem Lernen, z. B. Klassifikation, Clustering, und Musterextraktionsalgorithmen können große Musikkorpora auf eine Weise betrachtet werden, die mit manuellen Methoden kaum realisierbar wäre. Dies ermöglicht das sogenannte „Distant Reading“ von Musik, wodurch übergreifende Tendenzen und stilistische Entwicklungen über lange Zeiträume hinweg sichtbar werden. Anwendungsbereiche reichen von der Erkennung musikalischer Ähnlichkeiten zur Plagiatserkennung über die Stilanalyse und Komponistenzuordnung bis hin zur Unterstützung der Musikpädagogik und der Schaffung semantischer Musikdatenbanken.

Grenzen automatisierter Analyse

Trotz des großen Potenzials stehen weiterhin Herausforderungen im Raum, insbesondere die Komplexität der Datenrepräsentation, die Notwendigkeit robuster Algorithmen für die Merkmalsextraktion aus vielfältigen musikalischen Inhalten und die Sicherstellung, dass die Ergebnisse der automatisierten Analysen musikalisch sinnvoll und interpretierbar sind. Eine wichtige Reflexion ist dabei stets, wie computergestützte Analysen manuelle, qualitative musikwissenschaftliche Expertise ergänzen können, anstatt sie zu ersetzen.

Symbolische Repräsentation musikalischer Daten

Zwei Wege der Digitalisierung: Audio und Symbol

Die Grundlage jeglicher computergestützten Analyse ist die maschinenlesbare Erfassung von Musik. Dies beinhaltet die Digitalisierung von Noten und Audioaufnahmen, sowie deren Kodierung in standardisierten Formaten. Traditionell findet eine Unterteilung in die zwei Teilbereiche “Audiodaten” und “Symbolische Musikrepräsentation” statt. Aufgrund des Fokus der Arbeit wird an dieser Stelle ausschließlich näher auf die symbolische Musikrepräsentation eingegangen.

MIDI, MusicXML und Co. als Notationsformate

Sie bildet eine zentrale Säule der computergestützten Musikanalyse, indem sie musikalische Informationen in maschinenlesbaren Notationen wie MIDI-Dateien, MusicXML, MEI (Music Encoding Initiative) oder Humdrum kodiert. Im Gegensatz zu Audiodaten, die primär das akustische Signal, z.B. WAV oder MP3, repräsentieren und oft in Zeit-Frequenz-Repräsentationen wie Spektrogramme umgewandelt werden müssen, erfassen symbolische Formate musikalische Parameter wie Tonhöhe, Rhythmus und Dynamik explizit.

Symbolische Musikrepräsentationen können musikalische Strukturen als Sequenzen von Symbolen modellieren und auch komplexere hierarchische Modelle wie formale Grammatiken, Graphen oder geometrische Darstellungen integrieren. Ein wesentlicher Vorteil liegt in der Fähigkeit, eine Vielzahl musikalischer Merkmale und Muster automatisiert zu extrahieren und zu analysieren. Dies unterstützt diverse Anwendungen, darunter die Stil- und Komponistenzuordnung, Plagiatserkennung sowie die Entdeckung wiederholter musikalischer Muster. Für die praktische Anwendung stehen spezialisierte Software-Toolkits wie music21, jSymbolic und musif zur Verfügung.

Während symbolische Repräsentationen eine präzise Untersuchung der Noten- und Strukturdaten ermöglichen und somit ein „Distant Reading“ großer Korpora erlauben können sie performative Aspekte wie Timbre oder genaue Temposchwankungen nicht vollständig abbilden. Die Herausforderung besteht darin, die Notationen effektiv für deskriptive Analysen zu nutzen und die konzeptuellen Ebenen der Musiktheorie in rechnerisch verarbeitbare Modelle zu übersetzen.

SID-Dateien als Sonderfall der Repräsentation

SID-Musikdateien, die Grundlage dieser Arbeit, stellen in dem Kontext der symbolischen Musikrepräsentation, wie bereits in den vorherigen Kapitel beschrieben, eine gesonderte Rolle und eine besondere Herausforderung dar, da sie keine originär symbolische Notationsform im klassischen Sinne, sondern eine technische Anweisung zur Klangerzeugung enthalten. Für eine computergestützte Analyse auf struktureller Ebene ist bei der Verwendung bestehender Tools daher zunächst eine Konvertierung in ein standardisierteres, symbolisches Format wie MIDI notwendig. Es muss jedoch auch hier kritisch reflektiert werden, dass diese Konvertierung mit erheblichen Informationsverlusten einhergeht. MIDI ist z.B. nicht konzipiert, um SID-spezifische Synthesefähigkeiten wie komplexe Timbre-Steuerung, Filter oder exakte Timing-Nuancen adäquat abzubilden.

Formalisierung Musikalischer Parameter (Features)

Die Analyse von Musik basiert auf der Untersuchung verschiedenster musikalischer Parameter. In der Musikwissenschaft werden traditionell Elemente wie Melodie, Harmonie, Rhythmus, Form und Timbre (Klangfarbe) betrachtet. Für die computergestützte Analyse werden diese Parameter in quantifizierbare Merkmale (Features) überführt. Die musikalischen Features bilden dann die zentrale Basis der computergestützten Musikanalyse. Diese umfassen eine Vielzahl von Merkmalen wie Tonhöhe, Rhythmus, Harmonie, Klangfarbe, Dynamik, Metrum sowie die übergeordneten Aspekte der musikalischen Form und Struktur, siehe u.a..

Das primäre Ziel im Rahmen der Quantifizierung und Formalisierung dieser musikalischen Merkmale, ist es objektive Einsichten in Muster, Beziehungen und spezifische Eigenschaften von Musikstücken oder ganzen Korpora zu ermöglichen. Die Wahl der Repräsentation und der daraus abgeleiteten Features ist hierbei entscheidend für die Validität der Analyseergebnisse und die erzielbaren musikwissenschaftlichen Erkenntnisse.

Zu den musikalischen Parametern gehören vor allem die folgenden musikalischen Merkmale:

  • Melodische Merkmale: Tonhöhenverteilung, Intervallstrukturen, melodische Kontur, Ambitus
  • Harmonische Merkmale: Akkordprogressionen, Konsonanz/Dissonanz, Tonalität, Kadenzen
  • Rhythmische Merkmale: Notenwerteverteilung, Taktarten, rhythmische Dichte, Synkopierung
  • Formale Merkmale: Wiederholungen, Abschnitte, Perioden, Formschemata
  • Textur- und Dichtemerkmale: Anzahl der Stimmen, Kontrapunkt, Homophonie
  • Instrumentierung: Die verwendeten Instrumente und deren Kombinationen

Software-Bibliotheken zur Feature-Extraktion

Für die Feature-Extraktion aus symbolischen Musikdaten gibt es diverse spezialisierte Software-Bibliotheken, die diese Merkmale automatisch extrahieren und für weitere Analysen, wie maschinelles Lernen, aufbereiten. Im folgenden sollten die drei bereits erwähnten Tools jSymbolic, music21 und musif nun detaillierter beschrieben werden.

jSymbolic: Umfassende Merkmalsextraktion

jSymbolic: jSymbolic ist eine umfassende Open-Source-Plattform, die speziell für die Extraktion einer Vielzahl von musikalischen Features aus symbolischen Musikdaten entwickelt wurde. Sie kann Hunderte von quantifizierbaren Merkmalen berechnen, die verschiedene Aspekte des musikalischen Stils abdecken, darunter melodische, harmonische, rhythmische und formale Eigenschaften. Die Plattform ist in Java geschrieben und bietet eine grafische Benutzeroberfläche sowie eine Kommandozeilen-Schnittstelle, was sie sowohl für Anwender ohne Programmierkenntnisse als auch für Entwickler zugänglich macht. Die extrahierten Features können in verschiedenen Formaten exportiert werden, um sie in anderen Analysewerkzeugen oder maschinellen Lernalgorithmen weiterzuverwenden.

music21: Das flexible Python-Toolkit

music21: music21 ist ein leistungsstarkes Python-Toolkit, das eine breite Palette von Funktionen für die computergestützte Musikanalyse bietet, einschließlich der Feature-Extraktion. Es ermöglicht das Parsen, Manipulieren und Analysieren verschiedener symbolischer Musikdatenformate wie MusicXML, MIDI und Notensatzdateien. music21 bietet eine objektorientierte Repräsentation musikalischer Elemente, was die Arbeit mit musikalischen Strukturen wie Noten, Akkorden, Takten und ganzen Stücken erleichtert. Das Toolkit ist besonders flexibel und erweiterbar, was es zu einem beliebten Werkzeug in der Forschung und Lehre macht. Es enthält auch spezifische Funktionen zur Feature-Extraktion, die für maschinelle Lernaufgaben nützlich sind.

musif: Spezialisiert für musikologische Datensätze

musif: musif ist ein neueres Python-Tool, das die automatische Extraktion von Features aus symbolischen Musikdaten erleichtern soll. Es wurde von einem Expertenteam aus Musikwissenschaft, Musiktheorie, Statistik und Informatik entwickelt und ist Ergebnis des Didone-Projekts, das vom Europäischen Forschungsrat (ERC) im Rahmen des Forschungs- und Innovationsprogramms Horizont 2020 der Europäischen Union (Fördervereinbarung Nr. 788986) gefördert wurde.Die Implementierung von musif basiert größtenteils auf dem music21-Toolkit und erweitert dieses um sorgfältig erarbeitete Features, die speziell auf hochwertige musikologische Datensätze zugeschnitten sind. Das Tool unterstützt ergänzend die einfache Erstellung benutzerdefinierter Merkmale unter Verwendung gängiger Python-Bibliotheken. Obwohl musif hauptsächlich für die Verarbeitung von Daten im MusicXML-Format konzipiert wurde, unterstützt es auch die anderen gängige Formate wie MIDI, MEI und kern.

Diese Tools stellen wichtige Ressourcen für die Musikstilometrie und die computergestützte Musikanalyse dar, indem sie den Prozess der Feature-Extraktion automatisieren und standardisieren. Sie ermöglichen es quantitative Einblicke in musikalische Stile zu gewinnen und maschinelle Lernverfahren auf Musikdaten anzuwenden.

Weiterführende Literatur (Auswahl)

Grundlagen und Methoden der computergestützten Musikwissenschaft

Datensätze als Beispiele

Korpusstudien und Analysen

  • Battier, M. (2021). Analyzing Electronic Music. Uncovering the Original Conditions of Production. In Electronic Music. Cultural, Creative, and Analytical Perspectives. Routledge & CRC Press - Taylor & Francis Group. https://cnrs.hal.science/hal-03950658/document
  • Gurjar, K., & Moon, Y.-S. (2018). A Comparative Analysis of Music Similarity Measures in Music Information Retrieval Systems. Journal of Information Processing Systems, 14(1), 32–55. https://doi.org/10.3745/JIPS.04.0054
  • Moss, F. C. (2019). Transitions of Tonality: A Model-Based Corpus Study [EPFL]. https://doi.org/10.5075/epfl-thesis-9808
  • Moss, F. C., Souza, W. F., & Rohrmeier, M. (2020). Harmony and Form in Brazilian Choro: A Corpus-Driven Approach to Musical Style Analysis. Journal of New Music Research, 49(5), 416–437. https://doi.org/10.1080/09298215.2020.1797109
  • Weiß, C., & Müller, M. (2023). Studying Tonal Evolution of Western Choral Music: A Corpus-Based Strategy. In A. Šeļa, F. Jannidis, & I. Romanowska (Eds.), Proceedings of the Computational Humanities Research Conference 2023 (Vol. 3558, pp. 687–702). CEUR. https://ceur-ws.org/Vol-3558/#paper7862

Software-Tools

Graph View

Backlinks