音乐情感的计算机分析与自动识别技术研究

刘珺 刘君

【摘要】计算机科学技术的迅速发展，为社会生产与生活的各个领域都带来了明显的变化。借助计算机和人工智能技术进行音乐情感判断，成为了新的研究方向。本文首先对音乐情感计算机分析模型进行了分析，重点阐述了通用连续模型、音乐表达情感模型以及唤起情感模型等类型。随后，文章进一步分析了音乐情感计算机自动识别技术的未来发展前景，旨在为关注这一领域的人士提供一些可行性较高的参考意见。

【关键词】音乐情感；自动识别；音轨定位

【中图分类号】G642 【文献标识码】A

一、音乐情感计算机分析模型

（一）通用连续维度模型

音乐情感的分析和判断是音乐学同心理学研究双方共同结合发展所制定的研究课题，随着科学技术的进步，借助计算机科学技术以及人工智能等工具，也能达到音乐情感研究的目的。为了得出更加精准的音乐情感分析判断结果，相关领域的技术人员通过构建通用连续音乐模型的方法，将人类的情感状态变化和起伏情况，直接体现在二维空间和三维空间当中的点上。此种通用连续模型具有刻画和描绘不同情感之间细微差别的能力。不仅能对被描述对象主观的情感体验进行描绘，还能对外部环境影响下以及生理状态导致的情感特征进行刻画。

（二）音乐表达情感模型

1936年，著名音乐学领域的专家Hevner在其组织的实验“音乐中的表达元素”研究中，最初提出了影响最为广泛的音乐表达情感的离散模型。在该模型当中，Hevner借助了8个类别的67个情感词汇，对音乐作品构建的情感空间进行了描绘。根据Hevner所提出的情感词所建立的表达情感模型，主要是为了音乐艺术作品表现力的刻画。因此，该模型被广泛地应用到了与音乐有关的心理学研究当中。随着时代的发展，后来的研究人员不断对该表达情感模型进行了优化设计，推动其表达情感能力的准确度不断提升。

（三）音乐唤起情感模型

音乐的唤起情感模型是基础音乐表达情感模型的基础上所创建的，在结合了“唤起说”相关理论，对音乐情感的进行离散表达。根据相关领域的研究结果证实，日内瓦情感音乐量表是该领域当中最初被承认的专门度量表，对于音乐唤起情感的研究具有十分突出的贡献。日内瓦情感音乐量表主要包含了九大类的45种不同的情感标签。在这一模型当中，用户可以根据音乐起伏、节奏、韵律等不同的表现特征，对其唤起的情感类型进行分类。实验表明，在利用日内瓦情感音乐量表进行情感唤起的过程中，听众的选择具有较强的一致性。说明了该情感量表的情感标签的科学化程度较高。

二、音乐情感计算机自动识别技术发展前景

（一）提升参数提取能力

音乐情感计算机自动识别技术在未来的研究阶段，若想提升研究效果，必须在现有的基础上，进一步强化音乐作品各项情感表达参数的提取能力。针对这一问题，我国某地区的音乐情感计算机分析工作研究小组，听过采取MIDI文件旋律特征参数提取的方法，为众多音乐爱好者、家庭用戶以及音乐情感研究专家提供了更加科学和准确的音乐情感参数。一般来说，MIDI格式的音乐文件基本上由两个部分所组成，即头块和轨道块两个部分。此外，每一个MIDI事件均带有最高有效位总数为1的命令字节，不同的命令字节具有不同的长度以及不同的参数。基本上，在不同的命令字节当中，可以用x表示MIDI文件的通道号，根据音乐体系中的音高顺序进行排列，进而形成参数音列。

（二）强化主旋律音轨定位能力

利用特定的算法对计算机音乐情感的识别能力进行设计的过程中，可以通过模型自动定位方法，对所输入的音轨旋律进行定位，明确判断输入的音轨属于主旋律音轨还是属于伴奏音轨。因此音乐情感的识别问题可以转化成为数学问题。例如根据数学问题当中的已知对象分布问题的研究方法，可以强化计算机在识别和定位不同旋律音轨时的定位能力。直接反映在分类器当中，即为输入样本的训练集合。通过具体的样式C表示音轨所述的类别，然后分别利用“1”和“0”表示主音轨和伴奏音轨等不同的音轨类型。因此，便将音乐情感的音轨定位问题转化成为了常见的二值分类问题。通过对二值分类问题进行解决，便能对主音轨和伴奏音轨进行判断，达到对主音轨的定位目的。

（三）优化表征主旋律情感矢量分配

除了上述两种途径之外，对表征主旋律的情感矢量分配进行合理优化，也是未来音乐情感计算机识别技术的发展策略。对于计算机情感识别技术而言，在对音乐作品的主旋律进行定位之后，需要通过进一步操作，使计算机能够对主旋律当中所蕴含的情感进行分析和判断。针对这一问题，作者认为，可以通过构建数学模型的方法，采用时值分布和加权平均的方法，对音乐情感的变化进行方向性地指示。采用标准差的方法，对各项指标加以稳定，从而对音乐作品当中的音程、音长、音高和音强等进行特征信息处理。通过此种方法，能有效提升计算机自动识别技术对音乐情感的识别能力，进而完成对音乐作品主旋律和伴奏旋律的情感提取与表达，判断音乐情感的具体特征。