从频谱特性解析古典音乐与流行音乐的区别

祁 静 （暨南大学艺术学院 510000）

一、 古典音乐与流行音乐区别的传统理论及其局限性

第一种理论，也是人民群众中最广泛的认知，认为古典音乐是西方古典音乐时期的音乐（更准确一点是从文艺复兴时期到维也纳古典乐派时期的音乐），而流行音乐是20世纪之后才出现的1。这种理论的软肋在于，且不说即便是在20世纪以前也存在着浪漫乐派和民族乐派，在20世纪50年代之后，也有大量的音乐被毫无疑问地被归为古典音乐的范畴，最典型的例子如中国的《梁祝》小提琴协奏曲、《黄河》钢琴协奏曲，以及美国作曲家格什温、苏联作曲家普罗科菲耶夫等的大量作品。而即便是在维也纳古典乐派时期，大量的维也纳宫廷舞曲事实上也只是在当时流行一时，而并未流芳百世，成为当时不折不扣的流行音乐。

第二种理论，认为古典音乐是严肃的，而流行音乐是轻松随意的2。这种理论的软肋在于，古典音乐中也有大量的相当随意的作品，例如许多小夜曲、即兴曲等，甚至有许多是人民群众在狂欢时所用的音乐，最典型的例子莫过于奥芬巴赫的轻歌剧《地狱中的奥菲欧》里的《康康舞曲》，主旋律拿出来直接就成了电影《河东狮吼》中的流行歌曲《菠菜进行曲》。而现代流行音乐中也有不少是比较严肃的，例如《我爱你中国》、周杰伦和王菲的许多作品，不认真唱就唱不准或唱不上去，就很难听。与此相佐证的是，中央音乐学院钢琴系教授杜泰航疾呼，“谁说古典音乐就是严肃音乐”3。

第三种理论，认为古典音乐是难以理解的，而流行音乐通俗易懂4。事实上，这种观点多半是因为古典音乐作品多为外国作品，歌词语言不通而致。巴赫的B小调弥撒曲第一节Kyrie eleison气势恢宏，其歌词Kyrie eleison就是希腊文“上主垂怜”的意思，反复重复。只要知道了其歌词意思，结合其应用场合（弥撒），根本就不难懂整个曲子就是反映了人们罪孽深重、祈求上帝怜悯的意义。反而是许多粤语流行歌，在不懂粤语的人们听起来，完全是摸不着头脑，不知道其要表达什么意思，例如李克勤《红日》、Beyond《光辉岁月》等。

第四种理论，认为古典音乐曲式严谨规整、是理性的，而流行音乐曲式随意、是感性的5。这种观点的软肋是古典音乐中也有大量曲式随意的狂想曲、即兴曲和近现代作品，以及以松散无秩序为标志的自由曲式作品，例如歌剧、音画、叙事曲、幻想曲等体裁作品6。更不用说古典作品里有许多尽情宣泄感情的作品，如肖邦的《革命》练习曲、俄罗斯国歌《俄罗斯，我们神圣的祖国》等。而流行音乐中也有大量曲式严谨、和声考究的作品，例如周杰伦《菊花台》、SHE的《不想长大》等。

以上综述了最典型的四种古典流行区别的传统理论，它们都有实在太多的反例，因此都不能反映古典音乐与流行音乐的本质区别。

无可否认的事实是，古典音乐与流行音乐最大的表现区别是，古典音乐可以传承数百年而仍有其韵味，而流行音乐只是给人短暂的欢愉，十年甚至几个月后便销声匿迹，“其兴也勃焉，其亡也忽焉”7。中外皆是如此，因此我们可以完全排除文化和历史因素的影响，认为这两类音乐的差别是由它们的客观特性（最重要的是它们的频谱特性）所致的。

二、 古典音乐与流行音乐的信号特征区别

在信号处理领域，数学家们很早就开始尝试用数学方式来描述乐曲的特性。主要使用的特征参数包括节拍谱(beat spectrum)8、频谱能量(spectrum power)和梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)等9。

节拍谱(beat spectrum)利用离散数字信号的自相关(autocorrelation)运算，可分析乐曲的节拍特性。用信号处理的术语来说，乐曲全程都出现较高的beat spectrum值，说明整首曲子自相似特性较强，对应到音乐术语则说明节奏简单。图1A是典型的古典音乐和流行音乐的节拍谱特性（前16秒）。从图上可知，古典音乐在150帧（6秒）后beat spectrum值降到非常低的值，此后只有少数地方升高，说明节奏复杂，乐曲中节奏常有变化；而流行音乐一直保持较高的beat spectrum值，说明整首曲子节奏简单，基本上就是从头到尾一个节奏。

频谱功率(spectrum power)是衡量同一时间下声音频率的复杂程度的指标，较高的频谱功率意味着此时整个信号中含有从低频到高频的许多不同频率，也就是频率成分复杂，对应到音乐术语则表明此时和声丰富、声部众多。从图1B上可看出，流行音乐的频谱功率平均在-15dB左右，极大值也不超过0dB；而古典音乐的频谱功率平均在0dB附近，且常有超过0dB的时候。这说明古典音乐比流行音乐和声丰富、声部众多。

梅尔频率倒谱系数(MFCC)根据人的听觉特性进行多重滤波变换，反映出人耳感受最强烈的音调，在语音辨识技术上，MFCC代表着声纹，即语音的内容。MFCC的变化对应到音乐术语上线性地反映音乐音调的内容变化。从图1C上可看出，同为前40秒音乐，流行音乐的MFCC变化较为缓慢，幅度也较小(-0.2～0.6)，而古典音乐的MFCC变化极为频繁，幅度也大(-0.5～1.5)。这说明古典音乐比流行音乐曲调变换丰富且剧烈。

以上三种特征是最能反映音乐特性的特征量，已被广泛用于计算机人工智能音乐风格自动判别中。通过上述特征提取，结合一些其他的特征与支持向量机技术(Supported Vector Machine,SVM，一种有监督的自学习分类器)，对音乐风格的自动判别准确率可高达93%以上9。

三、 从频谱特征来看为何流行音乐易于被大众接受

音乐在社会生活中，其主要功效是为人们提供一种娱乐。绝大多数人都不会愿意为了一件放松娱乐的事情而去全神贯注、劳心费神。从上面的信号频谱特征分析中可知，古典音乐节奏复杂、和声丰富、曲调变换剧烈，这就要求人的大脑动用更大的处理能力来处理这些丰富的音频信息。这必然导致古典音乐相对较难理解、需要集中精力（因此显得比较严肃），从而较难被普通人民大众所接受、所欣赏。但正是因为古典音乐节奏复杂、和声丰富、曲调变换剧烈，才能在有限的时间里融入更多的声部、旋律、和声与意义，才能更加有韵味、更能激发无尽的想象，才能更经得起时间的检验，成为万古流芳的作品。

四、 在音乐创作上的应用与展望

明白了上面所说的频谱特性差异，我们就可以在音乐创作中有目的地对乐曲加以修改，使之更加“通俗化”或“古典化、高雅化”。

使乐曲通俗化，一是维持节拍谱beat spectrum的值自始至终都在较高的水平上，从音乐上说即是增加和简化节奏感，创造出明显的、自始至终的统一节拍。例如SHE《不想长大》，改编自莫扎特第40交响曲的旋律，加入重低音鼓点等打击乐或贝斯等构成明显而清晰的、自始至终的统一节拍。二是降低频谱功率，从音乐上来说就是减少配器数量，将旋律单音化，慎用复杂的大和声。例如陈慧琳《Lover’s Concerto》，改编自巴赫的小步舞曲，将配器简化到极致，主旋律完全是小步舞曲的单音旋律，伴奏要么没有，要么也几乎是单音指弹的吉他。三是减小MFCC的波动频率和幅度，从音乐上来说就是减少音调变化，避免大幅度的主旋律跳动，而采用级进等方法编曲。例如丸子的《爱你卡农》，改编自帕海贝尔卡农，大量采用说唱，说唱的背景低音即采用级进方式，最大程度地避免了音调剧烈变化：从“我会陪你坐地铁”到“趋近于零交点”共16小节，即是由图2所示的简单级进音阶反复两次而来。当然，在创作时，可以三种方法并用，达到最好的效果。

与之相反，使乐曲古典化，则需要反其道而行之。一是将节拍谱beat spectrum的值降低，从音乐上说是使乐曲节奏复杂化、多样化。例如《黄河大合唱》中《保卫黄河》合唱本来是为群众传唱而谱写的，节奏稳定而铿锵有力，进行曲式；改编成《黄河》钢琴协奏曲第四乐章后，节奏多变，快慢有致，情感丰富，更有古典味道。二是增加频谱功率，从音乐上来说是使用复杂的大和声、增加配器种类、加入更多的旋律。例如前苏联国歌《牢不可破的联盟》，作为一首国歌其曲调必须为单一旋律以利所有人诵唱，但其配器简单地利用了从低音到高音的和弦，其钢琴版同一时刻和弦中一般包含5-6个音（图3），形成了从低音到高音的和谐丰富的和声与泛音，更有古典味道。日本动画片《多啦A梦》主题歌被改写成《小叮当组曲》交响乐后，配器得到极大丰富，十足古典味。三是增加MFCC的波动频率和幅度，从音乐上来说就是增加旋律主音或强伴奏音型的跳动幅度和频率。例如王菲的《我愿意》，副歌主旋律部分8小节中，就有3个8分音符8度跳跃和1个8分音符6度跳跃（图4）。现代赞美诗《我以祷告来到你面前》钢琴伴奏华彩段利用快速的和弦跳跃，频繁地制造出3-8度的来回跳跃，同时左手部分连续制造9～16度的跳跃（图5），以增强古典风格。

虽然频谱特征在计算机技术和人工智能领域早已被用于乐曲的自动分类，但其仅仅是在物理和信号处理领域，与音乐的联系在以往并无人研究。本文将频谱特征与音乐联系起来，从频谱特征和人类的认知角度解析古典音乐和流行音乐的本质区别，并通过实例展示了这一区分理论在音乐创作上的运用。我们相信，这一多学科研究的成果将深化我们对音乐的认识，对音乐教学、研究、创作提供新的视角与指导。

注释：

1.张平，《流行音乐与古典音乐》，黄河之声2011年第6期

2.《聆听音乐——给初听者的音乐菜单》，新浪2001年4月，http://ent.sina.com.cn/c/b/40913.html

3.《谁说古典音乐就是严肃音乐》，深圳商报2005年6月8日

4.石蓓、张璐，《西方古典音乐欣赏方法研究》，大舞台2012年第10期

5.韦琳，《浅析流行歌曲中的古典效应》，文艺生活2011年第2期

6.杨儒怀，《自由曲式结构的形成与发展》，中央音乐学报2003年第1期

7.张平，《流行音乐与古典音乐》，黄河之声2011年第6期

8.Foote, Jonathan, and Shingo Uchihashi. "The Beat Spectrum: A New Approach To Rhythm Analysis." ICME. 2001

9.Xu, Changsheng, et al. "Musical genre classification using support vector machines." Acoustics, Speech, and Signal Processing, 2003. Proceedings.(ICASSP'03). 2003 IEEE International Conference on. Vol. 5. IEEE, 2003.