Computational music analysis from first principles

我们使用耦合隐马尔可夫模型自动注释了Riemenschneider版本中的371首巴赫合唱曲，这个语料库包含大约100,000个音符和20,000个和弦。我们提供了三种不同的分析方法，分别以逐步增加的准确度为代价做出越来越强的音乐句法假设。虽然我们的方法几乎没有使用人类输入，但我们能够将和弦和调性的识别精度与专业人类分析相比达到85%或更高，从而得到足够准确的注释，可用于各种音乐理论目的，同时也不受主观人类判断的影响。我们的研究涉及长期以来关于标准西方和声理论所假定的结构客观现实性的争论，以及关于西方和声句法本质的具体问题。

本论文旨在使用耦合隐马尔可夫模型对371首巴赫赞美诗进行自动注释，以达到与专家人工分析相媲美的精度，同时避免主观人类判断。

本论文提出了三种不同的分析方法，逐步提高了准确性，但也做出了越来越强的音乐语法假设。通过这些方法，可以识别和标注和弦和调性，精度达到85%以上。

本论文的亮点在于几乎不需要人类干预即可实现高精度的自动化标注，同时避免主观人类判断。实验使用了包含约100,000个音符和20,000个和弦的巴赫赞美诗数据集。

在这个领域中，最近的相关研究包括使用神经网络对音乐进行自动编码和分类的研究，如“End-to-End Learning for Music Audio Tagging at Scale”和“Music Genre Classification with Transfer Learning”。