自动管弦乐配器

novation

法国IRCAM中心的博士生Léopold Crestel最近完成了博士答辩，他的研究课题为： Neural Networks for Automatic Musical Projective Orchestration
1 A5 Y# l, z7 I3 C  }$ i
即利用神经网络自动将钢琴谱转为管弦总谱。

! J4 y; ]0 y& G; a7 v  [IRCAM的Léopold Crestel
! F& s8 t3 z/ c, {. A
0 p( u% b3 j/ ?4 d# Y2 `: z配器是大多音乐院校中必学的四大件之一（和声、曲式、复调、配器）, 国内常说的配器课程往往指的是乐器法和配器法两个部分，这门课的任务常常是将钢琴曲谱改写为特定乐队编制的总谱，对作曲者对各个乐器的乐器法以及各种音色组合效果的熟悉程度有很高的要求。 以穆索尔斯基的《图画展览会》为例，给出钢琴谱，下图为配器后的结果：
* B) r; [+ F4 v# e- c- J
# I9 v- d/ H! X

我会乐意把配器任务比喻为给一幅画上色，总谱是你的画板，各种乐器在不同音区的音色就是你的颜料，不同的颜料可以组合出新的奇异的颜色，不同的人也可能涂成完全不同风格的作品，就像曾风靡一时的Secret Garden绘本一样，它具挑战性、自由度高，但也趣味横生。
* x9 U5 A# D! H
  J3 E6 s5 a( n* Y* b. F. D8 X; V


6 L. \8 b) u5 a) ~. r4 rLéopold这项研究从他硕士期间就开始，已经有了一定时间的积累，网上也放出了部分demo：

<https://qsdfo.github.io/LOP/results.html>

虽然音乐生成领域有很多“美好都在demo间”的案例，但这个页面并没有只放最优结果，虽然从音乐专业角度看会有很多问题，但是个人觉得这样复杂的任务能得到这样的结果也还是很让人振奋的。研究的基本介绍在：

' [5 F# ~, G5 l3 l; j<https://www.ircam.fr/agenda/sout ... old-crestel/detail/>
/ I3 e0 r8 C* l* z1 }: Z/ z! ?
不想看英文的读者可以看我粗略介绍一下：

+ \8 h3 c4 ]- b: V5 k! g4 C在过去的几个世纪里，“配器”这项工作一直采用基于经验的方法，因为关于配器的科学理论往往显得较为隐晦且难以捉摸。和声以及复调我们都可以用音乐理论中的规则很好地描述出来，但配器始终是通过作品案例来进行教学的。
0 [/ I0 y' H2 ?& I9 i3 f  D这项研究中，我们聚焦于将钢琴谱转换为交响乐总谱的任务，并以著名作曲家如海顿、莫扎特、贝多芬的风格为主。研究首先设计了一套实时配器系统，读取钢琴演奏者演奏的和弦序列后实时进行配器。接着放宽对“实时”的要求，采用虽然慢一些，但是更强的模型来生成非随意的总谱，这种方式也更接近人类作曲家的写作过程。
通过观察大量人类作曲家的配器及对应钢琴缩谱的数据，我们希望能够通过统计学习的方法捕捉钢琴转总谱的写作机制。深度学习在无监督情况下是个比较有前景的路子，更具体地，针对高自由度目标空间和小样本量的情形，我们研究了自回归模型。这样虽然牺牲了速度，但自回归模型能更好地学习到谱子之间的相互依赖关系，这在配器这项任务下是非常重要的。

项目也非常慷慨地公开了钢琴谱与对应总谱的数据集：

<https://qsdfo.github.io/LOP/database.htm>
- R! V2 N9 o$ m/ y/ E& Q
以及源码：
1 f) W# s) V( v0 v& h* j  }4 u, P
<https://github.com/qsdfo/automatic_arrangement>

- t' \7 _. x! G9 k) C类似的管弦配器工作今年在中央音乐学院曾经来过一位冰岛哥KJARTAN óLAFSSON博士介绍了他的团队已经做了十年的辅助作曲系统Calmus：

<http://www.calmus.is/>

系统由许许多多的音乐理论规则下的函数以及一些强化学习思想下的训练成果集成而成，对多种复调规则及旋律细胞、音阶进行了封装，现场的演示让我觉得Calmus系统可能更适用于偏现代和实验性的作曲，而本文提到的自动配器系统则更加适用于传统作曲的配器任务。

hbsgz

配器很棒！收藏，学习了啊