AI and Tempo Estimation: A Review

本文作者的目标是探索人工智能（AI）如何被应用于指导我们理解和估算音乐创造中一个至关重要的方面——音乐速度。音乐速度对音乐创造的中心重要性可以从以下几个方面看出：它被用来表达特定的情感（Eerola和Vuoskoski，2013），暗示特定的音乐风格（Li和Chan，2011），影响表达的感知（Webster和Weir，2005），以及调节人们随着音乐节奏移动身体的冲动（Burger等人，2014）。传统的速度估算方法通常检测反映音乐基础节奏结构的信号周期性，通常使用某种形式的振幅包络自相关（Lartillot和Toiviainen，2007）。最近，基于人工智能的方法利用音频信号的频谱表示，使用卷积或循环神经网络（CNN，RNN）取得了显着的精度提高（Aarabi和Peeters，2022）。常见的基于人工智能的技术包括基于概率的方法（例如贝叶斯方法、隐马尔可夫模型（HMM））、分类和统计学习（例如支持向量机（SVM））以及人工神经网络（例如自组织映射（SOM）、CNN、RNN和深度学习（DL））。本文旨在概述一些更常见的基于人工智能的速度估算算法，并突出每种算法的显著优点和潜在缺点。同时，还考虑了人工智能在这个领域的局限性，以及这些方法能否考虑到速度感知中固有的个性化因素，即人工智能方法能否像人类一样思考和行动的能力。

本文旨在探讨人工智能如何被用于估计音乐节奏，并且评估其在大规模应用方面的表现。具体而言，本文试图解决的问题是如何使用人工智能方法来更准确地估计音乐的节奏。

本文提出了一些基于人工智能的节奏估计算法，如卷积神经网络（CNN）和循环神经网络（RNN），相较于传统节奏估计方法有更高的准确率。同时，本文还探讨了这些算法的优缺点以及人工智能在节奏估计领域中的局限性。

本文介绍了一些基于人工智能的节奏估计算法，并对它们的优缺点进行了分析。实验结果表明，相较于传统方法，这些算法在准确性方面有了显著提高。此外，本文还探讨了人工智能在节奏估计领域中的局限性，并提出了一些值得进一步研究的问题。

近期的相关研究包括基于神经网络的音乐节奏分析、基于机器学习的音乐情感分析等。相关论文包括《A Hybrid Convolutional Neural Network for Music Tempo Estimation》、《Music Information Retrieval Using Convolutional Neural Networks》等。