Genre Classification of Saint Yared Qum Zema Using a Convolutional Neural Network

Musik war schon immer mehr als nur Klang; seit Jahrhunderten dient sie als Gefäß für Geschichte, Glauben und Identität. Im Bereich der modernen Wissenschaft haben Forscher Wege entwickelt, um Computern das Zuhören beizubringen, ein Feld, das als Music Information Retrieval bekannt ist. Diese Disziplin fordert von Maschinen das, was menschliche Ohren ganz natürlich tun: Muster zu erkennen, Instrumente zu identifizieren und Lieder in Kategorien wie Jazz, Rock oder Klassik zu sortieren. Während Computer bereits sehr gut darin geworden sind, die riesigen Bibliotheken westlicher Musik zu analysieren, haben sie oft Schwierigkeiten mit einzigartigen, traditionellen Formen, die allein auf der menschlichen Stimme beruhen. Diese alten Traditionen, die über Generationen hinweg ohne schriftliche Partituren oder Instrumente weitergegeben wurden, stellen eine besondere Herausforderung dar. Ihre Klänge sind subtil, ihre Variationen fein und ihre Bewahrung ist dringend notwendig, da die Zahl der Menschen, die sie lehren können, schrumpft.

In Äthiopien bewahrt die Äthiopisch-Orthodoxe Tewahedo-Kirche eine heilige Musiktradition namens Zema. Dies ist eine Form des spirituellen Gesangs, der im sechsten Jahrhundert von dem Heiligen Yared komponiert wurde, einem Gelehrten, der als hochverehrter Professor der Musik seiner Zeit gilt. Der Heilige Yared organisierte diese Gesänge in drei verschiedene Stile: Geez, Ezil und Araray. Wenn diese Gesänge ohne jegliche Musikinstrumente, also nur mit der menschlichen Stimme, vorgetragen werden, nennt man sie Qum Zema. Seit Jahrhunderten lebt das Wissen darüber, wie zwischen diesen drei Stilen zu unterscheiden ist, im Geist einiger spezialisierter Gelehrter innerhalb der Kirchenschulen. Da jedoch die Zahl dieser Experten abnimmt und die breite Öffentlichkeit Schwierigkeiten hat, die Stile voneinander zu unterscheiden, besteht das Risiko, dass diese subtile Kunst verloren gehen oder missverstanden werden könnte. Die Frage, vor der die Forscher standen, war, ob moderne Technologie in der Lage wäre, diese Unterschiede so klar zu hören wie ein erfahrener Gelehrter.

Ein Team von Forschern der Debre Markos University unternahm den Versuch, diese Frage zu beantworten, indem sie ein Computermodell entwickelten, das speziell darauf ausgelegt ist, die drei Genres von Saint Yareds Qum Zema zu erkennen. Sie versuchten nicht, den Computer, indem sie manuell Regeln der Musik wie spezifische Noten oder Rhythmen auflisteten, zu unterrichten. Stattdessen verwendeten sie eine Art künstliche Intelligenz namens Convolutional Neural Network, ein System, das darauf ausgelegt ist, durch das Betrachten von Bildern zu lernen. Um dies umzusetzen, mussten die Forscher zuerst den Klang der Gesänge in etwas verwandeln, das der Computer sehen kann. Sie nahmen Aufnahmen der vokalen Darbietungen und unterteilten sie in kurze, zehnsekündige Clips. Jeder dieser Clips wurde dann in ein Spektrogramm transformiert, eine visuelle Karte, die zeigt, wie sich Tonhöhe und Lautstärke über die Zeit verändern. In dieser Karte repräsentiert die horizontale Achse die Zeit, die vertikale Achse die Tonhöhe und die Helligkeit der Farben zeigt, wie laut der Klang zu einem bestimmten Zeitpunkt ist.

Die Forscher sammelten insgesamt 1.555 dieser zehnsekündigen Audioclips von Gelehrten an traditionellen Kirchenschulen. Sie stellten sicher, dass die Aufnahmen sauber waren, indem sie Hintergrundgeräusche entfernten, und konvertierten jeden einzelnen Clip in ein Spektrogramm-Bild. Diese Sammlung von Bildern wurde zum Trainingsdatensatz für ihr neues Modell, das sie „Saint Yared's Qum Zema Classifier“ nannten. Das System wurde mit diesen Bildern gefüttert und sollte die visuellen Muster erlernen, die den Stilen Geez, Ezil und Araray entsprechen. Um zu testen, ob das System tatsächlich lernte, spalteten die Forscher ihre Daten auf: Sie nutzten 70 Prozent der Bilder, um das Modell zu lehren, und hielten die verbleibenden 30 Prozent zurück, um zu sehen, wie gut es bei Musik abschneidet, die es noch nie gesehen hatte.

Die Ergebnisse zeigten, dass der Computer tatsächlich lernen konnte, zwischen diesen alten vokalen Stilen zu unterscheiden. Wenn das Modell auf den ungesehenen Audioclips getestet wurde, identifizierte es das Genre in 88 Prozent der Fälle korrekt. Dies war eine bedeutende Leistung, insbesondere wenn man bedenkt, dass die drei Stile einander sehr ähnlich sind und ohne instrumentale Hilfe gesungen werden, die dem Zuhörer Orientierung bietet. Die Forscher verglichen ihr maßgeschneidertes Modell mit mehreren anderen bekannten Computersystemen, die für die Bilderkennung entwickelt wurden, wie etwa ResNet, VGGNet und AlexNet. Obwohl diese anderen Systeme größer waren und mehr Rechenleistung erforderten, schnitten sie bei dieser spezifischen Aufgabe nicht so gut ab. Das maßgeschneiderte Modell erreichte eine höhere Genauigkeitsrate als die anderen, während es viel kleiner und schneller im Betrieb war.

Die Studie untersuchte auch, wie verschiedene Einstellungen innerhalb des Computermodells dessen Fähigkeit zu lernen beeinflussten. Sie fanden heraus, dass eine bestimmte Art der Informationsverarbeitung, bekannt als ReLU-Aktivierungsfunktion, dem Modell half, die Muster effektiver zu lernen als andere Methoden. Der gesamte Prozess basierte auf der Idee, dass ein Computer durch das Umwandeln von Klang in Bilder den einzigartigen „Fingerabdruck“ eines jeden Musikstils finden kann, ohne dass ein Mensch die Regeln erklären muss. Die Forscher merkten an, dass die Leistung des Modells dadurch begrenzt war, dass der Datensatz nur aus vokalen Klängen mit hohen Ähnlichkeiten bestand, was die Aufgabe von Natur aus schwierig machte, aber die Erfolgsquote von 88 Prozent demonstrierte, dass Deep Learning ein mächtiges Werkzeug zur Bewahrung immaterieller Kulturschätze sein kann.

Diese Arbeit bietet einen praktischen Weg nach vorn, um das musikalische Erbe des Heiligen Yared zu schützen. Durch die Schaffung eines Werkzeugs, das diese Gesänge automatisch sortieren kann, haben die Forscher einen Weg geschaffen, um die Ausbildung neuer Gelehrter zu unterstützen und sicherzustellen, dass die Unterscheidungen zwischen Geez, Ezil und Araray nicht der Zeit verloren gehen. Die Studie legt nahe, dass, obwohl die Aufgabe komplex ist, die Kombination aus traditionellem Wissen und moderner maschineller Lernfähigkeit die Lücke zwischen der Vergangenheit und der Zukunft schließen kann. Die Forscher planen, diese Arbeit fortzusetzen, indem sie mehr Daten sammeln und Wege erforschen, um das System noch genauer zu machen, aber der anfängliche Erfolg beweist, dass ein Computer beigebracht werden kann, den heiligen Liedern Äthiopiens mit einer neuen Art des Verständnisses zuzuhören.