Un nuovo approccio alla separazione delle voci nella musica per pianoforte

Questo documento parla di un nuovo metodo per separare le note nella musica per pianoforte in diverse voci e pentagrammi. Questo compito è importante per creare spartiti musicali leggibili che i musicisti possono eseguire. L'attenzione è sulla musica per pianoforte, che spesso ha più di una voce, il che significa che può includere accordi e note che si estendono su due pentagrammi. L'obiettivo è migliorare il processo di incisione musicale, rendendo più facile per i performer leggere gli spartiti.

#Importanza degli Spartiti Musicali

Gli spartiti musicali sono essenziali per i musicisti, in quanto forniscono una chiara rappresentazione visiva della musica. Permettono ai musicisti formati di leggere e interpretare pezzi musicali in modo efficiente. Per strumenti che possono suonare più note contemporaneamente, è fondamentale separare queste note in diverse voci. Questa separazione può aiutare a creare una rappresentazione visiva più chiara della musica, facilitando il lavoro dei musicisti.

#Comprendere le Voci nella Musica

Il termine "voce" nella musica di solito si riferisce a una serie di note che non si sovrappongono, conosciuta come voce monofonica. Tuttavia, per strumenti come il pianoforte che possono suonare più note contemporaneamente, questa definizione non basta. Una voce può anche includere accordi, che sono gruppi di note suonate insieme. Questo tipo di voce si chiama voce omofonica.

Quando la musica è memorizzata in formati come i file MIDI, spesso manca di informazioni su voci e pentagrammi. Questo rende difficile convertire questi file in spartiti musicali leggibili. I compiti di separazione di voci e pentagrammi da input musicali non strutturati si chiamano Separazione delle voci e separazione dei pentagrammi.

#Sfide nella Separazione delle Voci

La maggior parte dei metodi esistenti per la separazione delle voci si è concentrata solo sulla musica con voci monofoniche, che non soddisfa le esigenze della musica per pianoforte. La separazione delle voci omofoniche è più complicata perché la presenza di accordi aumenta la complessità del compito. Inoltre, definire come appare una "veritiera separazione delle voci" può essere ambiguo, portando a molte interpretazioni valide.

I metodi attuali per separare le voci possono essere suddivisi in due categorie: quelli che utilizzano algoritmi di programmazione dinamica e quelli che applicano modelli di deep learning. La prima categoria offre sistemi controllabili ma può avere problemi con le eccezioni nei brani musicali. La seconda categoria richiede di impostare un numero massimo di etichette di voce, il che può essere problematico a causa delle occorrenze sbilanciate delle diverse etichette.

#Sistema Proposto

Questo lavoro propone un nuovo sistema per separare le voci omofoniche e prevedere i pentagrammi per la musica per pianoforte. Utilizza reti neurali grafiche (GNN) per raggruppare le note che appartengono allo stesso Accordo e collegarle per rappresentare le voci. Il sistema prevede separatamente pentagrammi e voci, senza limiti sul numero di voci, permettendo di gestire brani musicali complessi.

L'approccio evita l'ambiguità nella verità fondamentale concentrandosi specificamente sulla separazione delle voci per l'incisione degli spartiti musicali. Valutando il sistema su due dataset di pianoforte di difficoltà diverse, dimostra miglioramenti nelle prestazioni rispetto ai metodi precedenti.

#Metodologia

Il sistema funziona inserendo un insieme di note da uno spartito musicale quantizzato e rappresentandole come un grafo. Ogni nota è un nodo, e le relazioni temporali tra le note sono rappresentate come spigoli. Il sistema utilizza quattro tipi di relazioni: inizio, durante, seguito e silenzio, per descrivere come le note interagiscono tra di loro.

Il grafo di output contiene gli stessi nodi ma assegna numeri di pentagramma a ciascuna nota. Vengono utilizzati due tipi di spigoli: spigoli di accordo e spigoli di voce. Gli spigoli di voce collegano note consecutive nella stessa voce, mentre gli spigoli di accordo connettono note appartenenti allo stesso accordo. Questo design consente al sistema di affrontare efficacemente numeri variabili di voci e il problema di sbilanciamento presente nei brani ad alta voce.

#Semplificare il Problema

Per ridurre l'uso di calcolo e memoria, il sistema applica semplici vincoli musicali. Per la previsione degli spigoli di accordo, limita i candidati a coppie di note sincrone. Questo aiuta a restringere i candidati coinvolti nel processo di previsione.

La separazione delle note in diverse voci non deve essere coerente per tutto il punteggio ma deve essere valida all'interno di ciascun tempo. Questo semplifica il design del sistema mantenendo una chiara rappresentazione visiva. Il metodo si concentra solo su coppie di note nello stesso tempo quando crea candidati per gli spigoli di voce.

#Architettura del Sistema

Il sistema consiste in un'architettura encoder-decoder. L'encoder elabora il grafo di input attraverso tre blocchi di reti neurali grafiche convoluzionali impilati per creare embeddings di nodo per ciascuna nota. Il decoder è diviso in tre parti, ciascuna delle quali utilizza questi embeddings per prevedere le etichette dei pentagrammi, gli spigoli di voce e il raggruppamento degli accordi.

Il predittore di pentagramma utilizza un percettrone a più strati per produrre probabilità per ciascuna nota appartenente a un pentagramma. Il predittore degli spigoli di voce valuta coppie di note collegate e genera probabilità per la loro inclusione nella stessa voce. Infine, il raggruppamento degli accordi prevede quali coppie di note dovrebbero essere raggruppate in accordi, aiutando a garantire coerenza nell'assegnazione delle voci.

#Post-Processing

Dopo aver generato le previsioni, viene applicata una fase di post-elaborazione per garantire output validi secondo le regole di incisione musicale. Il pooling degli accordi unisce tutte le note appartenenti allo stesso accordo in un singolo nodo virtuale. Questo aiuta a rimuovere la possibilità di fusioni o divisioni errate tra voci.

Una volta che l'assegnazione delle voci è inquadrata come un problema di assegnazione lineare, il risultato è de-poolato per tornare alle note originali. Questo processo risolve problemi legati a assegnazioni vocali errate pur mantenendo le etichette dei pentagrammi.

#Valutazione

Per valutare le previsioni, viene utilizzata una metrica specifica che adatta l'F1-score alle sfide uniche delle voci omofoniche. Questa metrica considera la presenza di accordi e il loro impatto sul processo di separazione.

Le prestazioni del modello sono valutate tramite accuratezza binaria per le previsioni dei pentagrammi e punteggi F1 per le previsioni degli accordi. La valutazione rivela miglioramenti sia rispetto a un metodo di riferimento sia a un recente approccio concorrente basato sulla separazione di voci e pentagrammi.

#Risultati

Il modello è addestrato su un dataset combinato di stili e difficoltà diverse per garantire versatilità tra vari tipi di musica. I test mostrano che il modello migliora le prestazioni su diversi dataset, evidenziando la sua capacità di adattarsi a diversi scenari musicali.

I risultati indicano che anche le versioni del modello senza funzionalità di post-elaborazione o previsione di accordi superano costantemente i metodi esistenti.

#Analisi Qualitativa

Un'analisi delle uscite del modello rivela la sua capacità di gestire con successo le voci incrociate tra pentagrammi. Tuttavia, ci sono casi in cui ci sono discordanze con il punteggio originale, evidenziando aree di miglioramento. La gestione delle note sincrone pone una sfida, con il sistema in grado di differenziarle meglio rispetto ad alcuni metodi precedenti.

Le limitazioni attuali includono la mancanza di supporto per le note di passaggio, il che significa che tali note vengono rimosse dall'input. I futuri sviluppi si concentreranno su come affrontare queste limitazioni e migliorare le prestazioni complessive del sistema.

#Conclusione e Lavori Futuri

Questo lavoro introduce un nuovo metodo basato su grafi per separare le voci nella musica per pianoforte e prevedere i pentagrammi. I risultati dimostrano miglioramenti significativi rispetto agli approcci precedenti su dataset diversi, rafforzando l'efficacia del metodo.

I futuri sviluppi si concentreranno sull'integrazione delle note di passaggio, sull'accomodare più voci che convergono su una singola nota e sullo sviluppo di un framework completo per la produzione di incisioni musicali complete. Questo framework mirerà a includere la previsione dei cambi di chiave, delle legature, della notazione delle altezze e delle firme di chiave, migliorando ulteriormente il processo di incisione musicale.