音乐家无形的签名:为什么两个人永远不会以相同方式演奏同一首旋律

作者: Inna Horoshkina One

Round Midnight (在 The Blackhawk 的现场 / 1960)

我们在能够说出曲名之前,就已经认出了心爱的音乐家。

几个和弦,特殊的停顿,几乎察觉不到的节奏偏移——内心已经产生了认同感:

就是他。

“音乐是情感的速记”。
——列夫·托尔斯泰

而且,正如新研究所显示的,这种速记有个人的笔迹。

但是,音乐家无形的签名是由什么构成的?我们习惯称之为演奏者的性格、风格或灵魂的东西,能否被测量?

剑桥大学的研究人员决定用人工智能来检验这一点。

二十位钢琴家——二十个音乐世界

17月2026日 在期刊 Nature Machine Intelligence 上发表了一项研究 Machine Learning of Artistic Fingerprints in Jazz

该研究的第一作者休·切斯顿及其同事分析了 84小时的音乐——1 629次二十位著名爵士钢琴家的演奏

其中包括:

  • 塞隆尼斯·蒙克;
  • 比尔·埃文斯;
  • 奥斯卡·彼得森;
  • 基思·贾瑞特;
  • 奇克·科瑞亚;
  • 麦考伊·泰纳;
  • 艾哈迈德·贾马尔。

音频录音被转换成数字转录,类似于钢琴纸卷。它们显示了哪个音符被演奏、何时响起以及持续了多长时间。

然后,模型学习根据演奏的四个维度来区分演奏者:

旋律、和声、节奏和力度。

最佳模型在 94,4% 的情况下正确识别了钢琴家。另一个更易于分析的模型,分别考察了四个音乐维度,达到了 91,3%的准确率。

人工智能没有看到音乐家的面孔,也不知道作品的名称。它通过在不同录音中重复出现的稳定音乐决策来识别个人。

是什么暴露了音乐家?

在区分音乐参数的模型中,最强烈的演奏者特征被证明是 和声 ——特征性的和弦及其连接方式。其次是节奏和旋律,而力度给模型提供的信息较少。

然而,结果取决于音乐的呈现方式,因此不能将其转化为关于和声优于所有其他元素的普遍规律。

然而,正是在选择中,人表现得尤为明显。

一位钢琴家出人意料地替换了常见的和弦。另一位移动了节奏重音。第三位在听众期待继续的地方延长音符或留下停顿。

每个决定看似微不足道,但它们共同形成了一种稳定的模式——演奏者的音乐印记。

即使是演奏同一首爵士标准曲,音乐家们也会创造出不同的世界。

因为演奏者传递的不仅仅是写下的音符,他还将自己的记忆、身体节奏、经验、气质和聆听寂静的方式带入音乐。

在音符结束之处

音乐印记很少由单一鲜明的技巧构成,更多时候是许多几乎不可察觉的决定:

  • 何时进入;
  • 延长哪个音符;
  • 选择哪个和弦;
  • 在哪个节拍上强调;
  • 在哪里改变熟悉旋律的走向;
  • 给寂静留多少空间。

单独来看,这些细节很容易被当作偶然,但它们共同构成了一种可识别的模式,在一次次演奏中反复出现。 一种独特的音乐DNA。

音符可以重复,但存在感无法复制。

人工智能不测量灵魂

重要的是不要把研究结果变成漂亮但不准确的陈述。算法并没有“看到”音乐家的灵魂,也没有揭示创造力的全部奥秘。

模型处理的是钢琴演奏的数字转录。这种格式能很好地反映音符的位置和时值,但不能完整保留乐器的音色、房间的声学效果、触键的质量以及踏板的细微差别。

此外,该系统研究的是二十位著名爵士钢琴家的特定集合。在该实验中的高准确率并不意味着该算法能够无误地识别世界上的任何音乐家。

但研究发现了重要的一点:

个人风格不仅仅是听众的主观印象。其中确实存在可观察和研究的重复结构。

作者公开了模型代码,并创建了一个交互式网页指南,用于探索钢琴家的风格。它允许研究每位演奏者的典型音乐特征并进行相互比较。

机器能找到我们的独特性吗?

这样的技术可以帮助确定未知录音的可能作者,研究音乐家之间的相互影响,保存音乐遗产,并教导年轻演奏者听出风格之间的差异。

但也许,这项研究最美好的意义在于别处。

经常被指责抹杀个性的人工智能,在这里却帮助发现个性。

它表明:即使在共同的音乐语言中,人仍然是独一无二的。

一件乐器。十二个音符。熟悉的乐曲。而每位演奏者都创造了自己的宇宙。

声音作为存在的签名

音乐家不是用名字来签署作品,而是用触键。

用两个音符之间的时间。用进入和离开旋律的方式。

用他如何让寂静延续所说的话。

两个人永远不会以完全相同的方式演奏同一首旋律,因为声音穿过了不同的生命、不同的手、不同的心。

每当一个人真正发声时,音乐就会说出他的名字。

77 查看

来源

  • AI models can identify iconic jazz pianists based on their recordings | MusicRadar

  • Can computers learn what makes the most iconic jazz musicians stand out? | phys.org

  • Machine learning of artistic fingerprints in jazz | Nature Machine Intelligence

  • AI reveals the musical "fingerprints" of jazz's greatest players | Limelight Arts

  • Deconstructing jazz piano style using machine learning | Centre for Music and Science

  • AI Recognizes Musical Stylings of Jazz Pianists | The Violin Channel

你发现了错误或不准确的地方吗?我们会尽快考虑您的意见。