Computational methods for tonality-based style analysis of classical music audio recordings

Im Zuge der fortschreitenden Digitalisierung ist eine deutliche Veränderung des Musikangebots festzustellen. Streamingdienste, Downloadportale und private Archive stellen umfangreiche Kollektionen von Musikaufnahmen zur Verfügung. Im Forschungsbereich Music Information Retrieval werden Algorithmen zur Strukturierung und Durchsuchung solcher Archive entwickelt. Eine typische Anwendung ist die Klassifizierung von Aufnahmen hinsichtlich musikalischer Genres. Diese Arbeit befasst sich mit solchen Klassifikationsproblemen mit dem Ziel einer Differenzierung innerhalb der abendländischen Kunstmusik. Dabei stehen stilistische Kategorien wie Epochen der Musikgeschichte oder Komponisten im Fokus. Musikwissenschaftler führen solche Stilanalysen typischerweise auf Basis von Partituren durch. Ein wesentlicher Beitrag dieser Arbeit ist die Entwicklung computergestützter Methoden zur Analyse umfangreicher Korpora von Audiodaten. Die Experimente konzentrieren sich dabei auf die Parameter Harmonik und Tonalität. Als erster Schritt werden die Audiodaten mittels Signalverarbeitungstechniken in Chromadarstellungen überführt. Auf dieser Basis werden musiktheoretische Konzepte modelliert und das Auftreten tonaler Strukturen gemessen. Einer der vorgestellten Algorithmen ermittelt die Grundtonart eines Stückes unter Berücksichtigung des Schlussakkords. Eine weitere Methode dient zur Visualisierung von Modulationsstrukturen hinsichtlich diatonischer Skalen sowie von lokal vorherrschenden Skalentypen. Weiterhin werden Methoden zur Messung von Intervall- und Akkordtypen sowie zur Quantifizierung tonaler Komplexität eingeführt. Auf Basis dieser Audiomerkmale werden stilistische Analysen von Musikaufnahmen realisiert. Mit Hilfe unüberwachter Lernmethoden wird die stilistische Ähnlichkeit von Musikstücken im Bezug auf Komponisten und Kompositionsjahre veranschaulicht. Weiterhin werden Experimente zur Klassifizierung nach Epoche oder Komponist durchgeführt. Die Ergebnisse zeigen, dass die tonalen Merkmale stilrelevante Eigenschaften auf stabile Weise modellieren. Im Gegensatz dazu führt die Verwendung von Standardmerkmalen häufig zu einer Überanpassung der Modelle, was sich negativ auf die Klassifikationsergebnisse auswirkt. Dies zeigt, dass sich tonale Eigenschaften zur Stilunterscheidung heranziehen lassen und dass solche Eigenschaften direkt aus Audioaufnahmen gemessen werden können.

With the tremendously growing impact of digital technology, the ways of accessing music crucially changed. Nowadays, streaming services, download platforms, and private archives provide a large amount of music recordings to listeners. In the area of Music Information Retrieval, researchers are developing automatic methods for organizing and browsing such collections. One application scenario is the classification of music recordings according to categories such as musical genres. In this thesis, we approach such classification problems by discriminating subgenres within Western classical music. In particular, we focus on stylistic categories such as historical periods or individual composers. Musicologists usually analyze musical style in a manual fashion relying on scores. This thesis contributes with computational methods for realizing such analyses on comprehensive corpora of audio recordings. Our style analysis experiments focus on the fields of harmony and tonality. In the first step, we use signal processing techniques for computing chroma representations of the audio data. Based on these representations, we model specific concepts from music theory and propose algorithms to measure the occurrence of certain tonal structures in audio recordings. One of the algorithms estimates the global key of a piece by considering the particular role of the final chord. Another method serves to visualize modulations regarding diatonic scales as well as scale types over the course of a piece. Furthermore, we propose techniques for estimating the presence of specific interval and chord types and for measuring tonal complexity. On the basis of these novel audio features, we analyze audio recordings regarding musical style. Using unsupervised clustering methods, we investigate the similarity of musical works across composers and composition years. Furthermore, we perform classification experiments according to historical periods ("eras") and composers. Our results indicate that the tonal features proposed in this thesis seem to robustly capture stylistic properties. In contrast, using standardized timbral features for classification often leads to overfitting resulting in worse performance. This shows that tonal characteristics can be discriminative for style analysis and that we can measure such characteristics directly from audio recordings.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten