AI助推古琴谱升维高维乐谱.pdf

AI助推古琴谱升维高维乐谱

作者：孙洋王利张辉

来源：《音乐生活》2020年第08期

众所周知，音乐学内涵仍待进一步挖掘，至少在人工智能时代，使用机器学习的方式来处

理乐谱学问题是一种完全值得尝试的方向。在人工智能技术辅助下，运用图像识别技术和声音

识别技术分别采集典型的古典乐谱的信息，比如律吕字谱、工尺谱、宫商字谱、古琴减字谱等

记谱法，这些是中国古代音乐特有的记谱法，但无法与当今数字简谱、五线谱等通用。古典乐

谱只规定了节拍的起始位置，并未对音符的具体时值进行分配，这是解读古典乐谱的最大难

点。用五线谱记录音乐作品时，会出现很多不便利、模糊不清的状况，而二维谱的出现从根本

上解决了这些问题。

本文以《长相思》《钗头凤》《广陵散》等古琴谱为例，把古琴谱应用计算机程序自动翻

译成二维谱，并提出一种基于机器学习的节奏调整模型。通过研究如何借助图像识别技术，建

立机器学习算法的古琴谱自动翻译系统，从而把古琴谱应用机器自动翻译成高维乐谱——二维

谱。由于目前在世界范围内的各种记录音乐的谱系中，以高維乐谱记录音乐信息的功能最为强

大，且科学性强，能基本做到不丢失信息，尤其是易于机器识别而成为人机共识的音乐语言，

所以在此直接考虑AI将古琴谱自动翻译成二维谱，以对古琴艺术的推广和传承产生更好的推

动作用。

深度学习技术大幅度促进了人工智能的应用和发展，利用图像处理与图像识别技术，基于

深度学习的智能计算方法，设计和开发乐谱识别与整理系统，可实现传统古乐谱向数字乐谱、

古典乐谱向高维乐谱的转换。对于古典乐谱的翻译者，比如古琴谱的翻译，在进行音时值翻译

时，一般是依据自身的创作经验和对乐曲的理解找到比较符合乐理和人们欣赏习惯的信息。但

是，这种乐谱的翻译与整理过程，受到其自身文化水平、对历史时期的情感、对乐器的感观等

各种因素的制约，个人主观性过强，很可能使乐谱不适合大众的观感要求，甚至违反古乐谱本

质的音乐特征。本文采用图像识别技术采集古琴谱的信息，并且依据古琴的特点、乐曲的历史

背景、演奏的背景等，制定相应的规则，利用深度学习技术，生成数字乐谱。基于本文系统的

古乐谱音时值的翻译过程如下：

结合上述对古典乐谱的音高和音长特征的训练和学习，依据二维谱的记谱法最终可以输出

对应古琴谱的二维谱升维流程如下：

早期的古琴谱是由更早的文字谱写成，其后，减字谱逐步替代了传统的文字谱。由于减字

谱没有标注时值信息，演奏者只能依据谱子所表示的指法直接弹奏，不同的演奏家可以任意发

挥，同一曲谱风格各异，但是也造成不同的人对曲谱的理解各异，传承与古琴教育与其他乐器

相比，难度更大，目前已有许多学者开始从数字化、人工智能等方面研究如何保留传承千年的

古琴曲。

乐谱图像预处理。已经收集到的古乐谱图像，并不是理想的黑白两色图片，包括很多干1.

扰，比如图像的噪点、底色、人为的墨点、破损、手写特有的连笔等，这些就要求进入系统前

对图像进行预处理。首要完成图像的灰度变换和二值化，特别是对于符号、文字图像，可以大

幅度减少图像的复杂性，方便完成文字符号识别。其次，手写古乐谱有着手写文字的各种特

点，如连笔、同一笔画的不同写法、文字的重叠与覆盖，增加了识别的难度。利用图像分割、

腐蚀等技术，将图像中的文字个体分离出来，提取出单个字符，提高识别的准确度。

建立2.古乐谱、古汉字字符识别库，建立乐谱翻译规则库。古乐谱，如减字谱等，都来源

于中国古代汉字，根据乐谱中每个字符的特征进行拆解，分析完整字符与字符组件的联系，建

立可用的古琴谱字符识别库。依据古乐谱的时代背景、大众欣赏习惯、传承下来的乐谱的演奏

技法等，确定古琴谱的音高和时值，并融合现代五线谱、简谱、二维谱以及高维乐谱的创作规

则，制定古琴谱与现代乐谱的对应关系，建立古琴谱翻译规则库。以字符库和乐谱翻译规则为

基础，组成本文系统的训练数据库。

综合3.前述各节的技术实现过程，减字谱算法执行流程如图3所示：

古琴谱的机器识别系统，以4.OpenCV开源图像处理、识别库为基础，设计相应的乐谱识

别软件系统。其工作过程如图4所示：

为做演奏记录，古代中国音乐人寻找了多种途径，创造了多种乐谱。近几年，开发出能基

本保全信息的高维乐谱——二维谱就显得尤为重要，实现古琴谱到二维谱的直接翻译。图5、

7、9是民间经验式简谱和古琴谱的对译结果，而图6、8、10是深度学习下AI输出的二维

谱。除了直观、简约、信息丰富外，更重要的是人机共识，可由智能机器直接演奏，由此为未