CN109522442A - 辅助音乐学习机器智能分析方法 - Google Patents

Abstract

本发明公开了辅助音乐学习机器智能分析方法，通过采集大量的音频资料，通过将同种类型的音频资料做变化率曲线计算，使得在不同音色以及不同音调上的同种旋律特征进行统计，使得初学者能够快速了解不用风格的主要旋律，不需要听大量的音乐人为总结，初步分析音乐时，通过将音乐文件进行相同的频率变化率处理，再与模板库中的片段进行比对，分析出音乐文件的风格构成，帮助学习者快速学会分析音乐，此方法靠计算机总结，大大加快了学习音乐的速度。

Description

辅助音乐学习机器智能分析方法

技术领域

本发明涉及音乐创作方法，具体涉及辅助音乐学习机器智能分析方法。

背景技术

旋律是现代流行乐的基础，作曲在现代流行歌曲中也是占有非常重要的地位。在现代社会，流行音乐已经深入渗透到群众的生活中。

传统作曲需要作曲家具有一定的乐理知识，并结合灵感和创作经验，才能创作出完整的音乐旋律。创作出好听的旋律在乐理上有较多要求，如旋律和节奏的统一、主题的表现手法、曲式的组合等。而要创作出具有特定风格和情感的旋律，更是一些乐理上条件限制的集合。

可见，对于普通人来说，这些条件限制形成了很高的门槛，学习音乐需要大量的时间去听，需要专业的直到老师，这使普通人较好的音乐增加了困难。

发明内容

本发明提供了解决上述问题的辅助音乐学习机器智能分析方法，使得非音乐专业的群众也可以容易的学习音乐，分析音乐。

本发明通过下述技术方案实现：

辅助音乐学习机器智能分析方法，主要包括以下步骤:

S1、建立音乐音频数据库，将各类音乐音频的教学音频数据、典型示范音频数据集合至数据库中，并将数据进行音乐风格分类；

S2、将音频资料的频率曲线对应的曲谱划生成频率段，并将相邻频率段进行变化率计算，形成连续变化率曲线，将连续变化率曲线进行存储；

S3、每种风格类型的连续变化率曲线进行模糊比对，得到变化率相同的片段；

S4、将变化率相同的片段作为模板存入模板库，使用对应风格模板库的完整音频文件作为学习概要；

S5、依据步骤S4中的模板库，将要学习的音频文件进行变化率对比分析，得到片段音频参考风格，得到学习音频的风格依据，从而帮助学习音乐构成。

通过采集大量的音频资料，通过将同种类型的音频资料做变化率曲线计算，使得在不同音色以及不同音调上的同种旋律特征进行统计，使得初学者能够快速了解不用风格的主要旋律，不需要听大量的音乐人为总结，初步分析音乐时，通过将音乐文件进行相同的频率变化率处理，再与模板库中的片段进行比对，分析出音乐文件的风格构成，帮助学习者快速学会分析音乐，此方法靠计算机总结，大大加快了学习音乐的速度。

进一步的，在步骤S3中，还进行将不同风格类型的连续变化率曲线进行模糊比对，设定相似阈值，将阈值范围内的变化率片段截取，作为参考模板存入模板库；参考模板库作为音乐风格变化趋势，分析出不同风格之间的融合旋律，帮助学习不同风格音乐融合旋律。

进一步的，从所述模板库模板分别包含音符音高、音符节奏、乐句属性、节拍、速度信息，对比时，根据选取保留对比信息，使得学习的音频文件对比更加精准。

进一步的，分析学习音频文件是将音频文件进行频谱识别，在将识别的频谱做变化率分析。

进一步的，频谱识别主要包括以下步骤：

(1)识别音频，追踪整体频谱的变化，实时检查是否有发音趋势；

(2)追踪每个音高的频谱变化，实时检查哪些是音高发声；

(3)继续追踪已发声音高的频谱变化，检查之前的音高发声判断是否是误判；

(4)根据以上步骤获得的发声音高数据、发声时间数据，估算曲谱的速度、调式以及音符类型，生成曲谱。

本发明具有如下的优点和有益效果：

1、本发明通过采集大量的音频资料，通过将同种类型的音频资料做变化率曲线计算，使得在不同音色以及不同音调上的同种旋律特征进行统计，使得初学者能够快速了解不用风格的主要旋律，不需要听大量的音乐人为总结，初步分析音乐时，通过将音乐文件进行相同的频率变化率处理，再与模板库中的片段进行比对，分析出音乐文件的风格构成，帮助学习者快速学会分析音乐，此方法靠计算机总结，大大加快了学习音乐的速度；

2、本发明将不同风格类型的连续变化率曲线进行模糊比对，设定相似阈值，将阈值范围内的变化率片段截取，作为参考模板存入模板库；参考模板库作为音乐风格变化趋势，分析出不同风格之间的融合旋律，帮助学习不同风格音乐融合旋律；

3、本发明通过根据选取保留对比信息，使得学习的音频文件对比更加精准。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

辅助音乐学习机器智能分析方法，主要包括以下步骤:

S1、建立音乐音频数据库，将各类音乐音频的教学音频数据、典型示范音频数据集合至数据库中，并将数据进行音乐风格分类；

S2、将音频资料的频率曲线对应的曲谱划生成频率段，并将相邻频率段进行变化率计算，形成连续变化率曲线，将连续变化率曲线进行存储；

S3、每种风格类型的连续变化率曲线进行模糊比对，得到变化率相同的片段；

S4、将变化率相同的片段作为模板存入模板库，使用对应风格模板库的完整音频文件作为学习概要；

S5、依据步骤S4中的模板库，将要学习的音频文件进行变化率对比分析，得到片段音频参考风格，得到学习音频的风格依据，从而帮助学习音乐构成。

实施时，在步骤S3中，还进行将不同风格类型的连续变化率曲线进行模糊比对，设定相似阈值，将阈值范围内的变化率片段截取，作为参考模板存入模板库；参考模板库作为音乐风格变化趋势，分析出不同风格之间的融合旋律，帮助学习不同风格音乐融合旋律。从所述模板库模板分别包含音符音高、音符节奏、乐句属性、节拍、速度信息，对比时，可根据选取保留对比信息，使得学习的音频文件对比更加精准。分析学习音频文件是将音频文件进行频谱识别，在将识别的频谱做变化率分析。所述频谱识别主要包括以下步骤：

(1)识别音频，追踪整体频谱的变化，实时检查是否有发音趋势；

(2)追踪每个音高的频谱变化，实时检查哪些是音高发声；

(3)继续追踪已发声音高的频谱变化，检查之前的音高发声判断是否是误判；

(4)根据以上步骤获得的发声音高数据、发声时间数据，估算曲谱的速度、调式以及音符类型，生成曲谱。

实施时，原始音乐库可使用大数据平台，对大数据品台的音乐库文件进行类别识别，提高效率。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.辅助音乐学习机器智能分析方法，其特征在于，主要包括以下步骤:

S1、建立音乐音频数据库，将各类音乐音频的教学音频数据、典型示范音频数据集合至数据库中，并将数据进行音乐风格分类；

S2、将音频资料的频率曲线对应的曲谱划生成频率段，并将相邻频率段进行变化率计算，形成连续变化率曲线，将连续变化率曲线进行存储；

S3、每种风格类型的连续变化率曲线进行模糊比对，得到变化率相同的片段；

S4、将变化率相同的片段作为模板存入模板库，使用对应风格模板库的完整音频文件作为学习概要；

S5、依据步骤S4中的模板库，将要学习的音频文件进行变化率对比分析，得到片段音频参考风格，得到学习音频的风格依据，从而帮助学习音乐构成。

2.根据权利要求1所述的辅助音乐学习机器智能分析方法，其特征在于，在步骤S3中，还进行将不同风格类型的连续变化率曲线进行模糊比对，设定相似阈值，将阈值范围内的变化率片段截取，作为参考模板存入模板库；参考模板库作为音乐风格变化趋势，分析出不同风格之间的融合旋律，帮助学习不同风格音乐融合旋律。

3.根据权利要求1或2任意一项所述的辅助音乐学习机器智能分析方法，其特征在于，从所述模板库模板分别包含音符音高、音符节奏、乐句属性、节拍、速度信息，对比时，可根据选取保留对比信息，使得学习的音频文件对比更加精准。

4.根据权利要求1或2任意一项所述的辅助音乐学习机器智能分析方法，其特征在于，分析学习音频文件是将音频文件进行频谱识别，在将识别的频谱做变化率分析。

5.根据权利要求4所述的辅助音乐学习机器智能分析方法，其特征在于，所述频谱识别主要包括以下步骤：

(1)识别音频，追踪整体频谱的变化，实时检查是否有发音趋势；

(2)追踪每个音高的频谱变化，实时检查哪些是音高发声；

(3)继续追踪已发声音高的频谱变化，检查之前的音高发声判断是否是误判；

(4)根据以上步骤获得的发声音高数据、发声时间数据，估算曲谱的速度、调式以及音符类型，生成曲谱。