💻 computer science

Tonnetz-Driven Graph Wedgelet for Harmonic Complexity Reduction in Music Scores

यह शोध पत्र संगीत तत्वों के एक विषम ग्राफ (heterogeneous graph) का निर्माण करके और छह-आयामी टोनेट्ज़ एम्बेडिंग (six-dimensional Tonnetz embedding) के आधार पर नोट्स को वेजेज (wedges) में विभाजित करने वाले एक अनुकूलित ग्रीडी एल्गोरिदम का उपयोग करके पियानो उप-ग्राफ को संकुचित करके, प्रतीकात्मक संगीत स्कोर की हार्मोनिक जटिलता को कम करने की एक विधि प्रस्तावित करता है ताकि हार्मोनिक संबंधों को सुरक्षित रखते हुए सरल और खेलने योग्य स्कोर उत्पन्न किए जा सकें।

मूल लेखक: Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

प्रकाशित 2026-07-13

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक विशाल, जटिल लेगो (LEGO) किला है जो संगीत के एक हिस्से का प्रतिनिधित्व करता है। इसका हर एक ईंट एक नोट है, और वे सभी एक विशिष्ट, जटिल पैटर्न में एक के ऊपर एक रखे गए हैं। अब, कल्पना कीजिए कि आप इस किले को अपनी जेब में फिट होने के लिए छोटा करना चाहते हैं बिना इसकी "आत्मा" खोए। आप इसे बस बेतरतीब ढंग से नहीं तोड़ सकते, वरना यह किला नहीं रहेगा। आपको ईंटों को समूह में रखने का एक स्मार्ट तरीका चाहिए ताकि जब आप इसे फिर से बनाएं, तो यह मूल की तरह ही दिखे और सुनाई दे, बस थोड़ा सरल हो जाए।

यह लेख बिल्कुल यही करता है, लेकिन लेगो के बजाय, यह म्यूजिक स्कोर (संगीत रचनाओं) का उपयोग करता है, और हाथों के बजाय, यह एक चतुर गणितीय उपकरण का उपयोग करता है जिसे ग्राफ (graph) कहा जाता है।

समस्या: बहुत अधिक ईंटें, बहुत कम जगह

म्यूजिक स्कोर, विशेष रूप से गायक के साथ चलने वाले पियानो के हिस्से, अक्सर दोहराव से भरे होते हैं। उस गाने के बारे में सोचिए जहाँ पियानो बार-बार एक शानदार, घूमता हुआ पैटर्न बजाता है। कंप्यूटर के लिए, उस घूमते हुए पैटर्न में हर एक नोट एक अलग, अद्वितीय ईंट है। यह एक "ग्राफ" (संबंधों का एक मानचित्र) बनाता है जो बहुत बड़ा और अव्यवस्थित है।

लेखक तर्क देते हैं कि संगीत को सरल बनाने के पुराने तरीके ऐसे थे जैसे किसी 3D मूर्ति को कागज की एक सपाट शीट में बदलने की कोशिश करना। या तो उन्होंने नोट्स के बीच के संगीतमय संबंधों को अनदेखा कर दिया या उन्होंने संगीत को ध्वनियों की एक साधारण सूची की तरह माना, जिससे उन गहरे, हार्मोनिक संबंधों की अनदेखी हुई जो संगीत को "सही" महसूस कराते हैं।

समाधान: "हारमनी मैप" (Tonnetz)

इसे ठीक करने के लिए, शोधकर्ताओं ने एक विशेष मानचित्र बनाया जिसे Tonnetz कहा जाता है। एक मानक घड़ी के चेहरे की कल्पना करें जहाँ 1 से 12 तक की संख्याएँ संगीत के नोट्स का प्रतिनिधित्व करती हैं। एक सामान्य घड़ी पर, 1 और 2 के बीच की दूरी 1 और 7 के समान होती है। लेकिन संगीत में, 1 और 7 (एक परफेक्ट फिफ्थ) पक्के दोस्त होते हैं, जबकि 1 और 2 अजनबी होते हैं।

लेखक इसके छह-आयामी संस्करण का उपयोग करते हैं। इसे एक जादुई, बहु-स्तरीय खेल के मैदान के रूप में सोचें जहाँ जो नोट्स एक साथ अच्छे लगते हैं वे भौतिक रूप से करीब होते हैं, और जो नोट्स आपस में टकराते हैं वे दूर होते हैं। यह महत्वपूर्ण है क्योंकि यह सुनिश्चित करता है कि कंप्यूटर 'हारमनी' (तालमेल) को समझे, न कि केवल नोट्स के क्रम को।

जादू का तरीका: "वेज" स्लाइसर (Wedge Slicer)

यही उनके आविष्कार का मुख्य हिस्सा है: ग्राफ वेजलेट (Graph Wedgelet)।

कल्पना कीजिए कि आपके पास मिट्टी का एक विशाल, अव्यवस्थित ढेर (म्यूजिक ग्राफ) है। आप इसे बड़े, चिकने टुकड़ों में तराशना चाहते हैं जिन्हें वेजेस (wedges) कहा जाता है। लक्ष्य यह है कि प्रत्येक टुकड़े को इतना एकसमान बनाना कि आप पूरे टुकड़े को केवल एक एकल संख्या (उसके अंदर के नोट्स के औसत) के साथ वर्णित कर सकें।

लेखक एक "फुल्ली एडेप्टिव ग्रीडी" (Fully Adaptive Greedy) एल्गोरिदम पेश करते हैं। यह एक फैंसी तरीका है यह कहने का कि कंप्यूटर "हॉट एंड कोल्ड" (पास या दूर) का खेल खेल रहा है:

यह मिट्टी के पूरे ढेर को देखता है।
यह पूछता है, "यदि मैं अभी इसे आधा काट दूँ, तो कौन सा कट दोनों नए ढेरों को एक-दूसरे के सबसे समान बना देगा?"
यह कट लगाता है।
यह प्रक्रिया तब तक दोहराता रहता है, जब तक कि यह ढेरों को विभाजित करके वांछित संख्या में टुकड़े प्राप्त नहीं कर लेता।

यह "कट" रैंडम नहीं है। यह सुनिश्चित करने के लिए Tonnetz मैप का उपयोग करता है कि एक साथ रखे गए नोट्स हार्मोनिक रूप से संबंधित हों। यदि एक वेज में C-मेजर कॉर्ड है, तो कंप्यूटर उसे एक साथ रखेगा। यह गलती से C को किसी ऐसे नोट के साथ नहीं जोड़ेगा जो उसके बगल में सुनने में बुरा लगे।

परिणाम: एक सरल, खेलने योग्य स्कोर

एक बार जब संगीत इन "वेजेस" में कट जाता है, तो कंप्यूटर हर वेज में मौजूद हर नोट को उस समूह के औसत नोट (average note) से बदल देता है।

इसे इस तरह सोचें: यदि एक वेज में 50 नोट्स हैं जो सभी C-मेजर कॉर्ड के विभिन्न रूप हैं, तो कंप्यूटर कहता है, "ठीक है, इस पूरे हिस्से के लिए, हम केवल 'औ औसत' C बजाएंगे।"

लेखक बताते हैं कि यह बहुत खूबसूरती से काम करता है। अपने सिमुलेशन में, उन्होंने तीन अलग-अलग रचनाकारों के 70 वास्तविक म्यूजिक स्कोर लिए। उन्होंने परीक्षण किया कि वे संगीत को कितना सिकोड़ (कंप्रेशन रेशियो) सकते हैं इससे पहले कि वह खराब सुनाई देने लगे।

जब वे सब कुछ रखते हैं (100% नोट्स), तो परिणाम एकदम सही होता है।
जब वे इसे भारी रूप से कंप्रेस करते हैं (केवल कुछ वेजेस तक), तो संगीत बहुत सरल हो जाता है, लेकिन फिर भी यह मूल गाने जैसा ही सुनाई देता है।

लेख स्पष्ट रूप से कहता है कि यह तरीका नए नोट्स पेश नहीं करता जो मूल गाने में नहीं थे। यह केवल उन्हीं नोट्स को चुनता है जो रचनाकार ने पहले से लिखे हैं। यह एक सुरक्षा विशेषता है: सरल स्कोर हमेशा खेलने योग्य और पढ़ने योग्य होता है, और यह कभी भी अजीब, बाहरी नोट्स का आविष्कार नहीं करता जो वहां नहीं होने चाहिए।

यह क्या नहीं है (और यह क्या नहीं करता)

यह जानना महत्वपूर्ण है कि यह पेपर क्या दावा नहीं करता है।

यह दावा नहीं करता कि यह किसी भी फ़ाइल को तुरंत कंप्रेस करने वाला एक जादुई डंडा है। यह विशेष रूप से वोकल-पियानो स्कोर के पियानो एक्रम्पैनिमेंट (पियानो संगत) वाले हिस्से पर काम करता है। यह अभी भी मेलोडी (धुनों) और लिरिक्स (शब्दों) को उसी तरह से हैंडल नहीं करता है।
यह नहीं कहता कि यह सभी समय के लिए "परफेक्ट" कंप्रेशन विधि है। लेखक स्वीकार करते हैं कि अभी, वे एक पूरे वेज को एक एकल, स्थिर नोट से बदलते हैं। भविष्य में, वे वेज के अंदर की गति को पकड़ने के लिए अधिक जटिल आकृतियों का उपयोग करने की आशा करते हैं, लेकिन फिलहाल, यह एक सपाट, स्थिर औसत है।
परिणाम सिमुलेशन और चुनिले 70 स्कोर पर किए गए प्रयोगों पर आधारित हैं। उन्होंने इसे दुनिया के हर संगीत पर टेस्ट नहीं किया है, लेकिन उन्होंने जिन लोगों पर परीक्षण किया उनके लिए गणित सही बैठता है।

निचोड़ (Bottom Line)

लेखकों ने एक ऐसा टूल बनाया है जो संगीत के लिए एक स्मार्ट संपादक की तरह काम करता है। यह एक जटिल पियानो पार्ट को देखता है, छिपे हुए हार्मोनिक पैटर्न को ढूंढता है, और समान नोट्स को "वेजेस" में समूहित करता है। फिर, यह उन समूहों को उनके औसत साउंड से बदलकर स्कोर को सरल बनाता है।

परिणाम संगीत का एक नया, सरल संस्करण है जिसे पढ़ना और बजाना आसान है, लेकिन फिर भी यह मूल रचना जैसा ही सुनाई देता है। यह एक हाई-रिज़ॉल्यूशन फोटो को पिक्सेल-आर्ट वर्जन में बदलने जैसा है जो अभी भी विषय को बिल्कुल वैसा ही दिखाता है, बस कम पिक्सल्स के साथ। यह पेपर सुझाव देता है कि यह शुरुआती लोगों के लिए स्वचालित रूप से सरल व्यवस्था (arrangements) बनाने वाले सॉफ़्टवेयर की दिशा में पहला कदम हो सकता है, जिससे यह सुनिश्चित हो सके कि संगीत रचनाकार के मूल दृष्टिकोण के प्रति सच्चा रहे।

तकनीकी सारांश: संगीत स्कोर में हार्मोनिक जटिलता को कम करने के लिए टोननेटज़-संचालित ग्राफ वेजलेट (Tonnetz-Driven Graph Wedgelet)

समस्या विवरण
प्रतीकात्मक संगीत स्कोर (symbolic music scores), विशेष रूप से जिनमें स्वर (vocal) और पियानो के भाग शामिल होते हैं, उनके संगत (accompaniment) में महत्वपूर्ण संरचनात्मक अतिरेक (structural redundancy) दिखाई देता है। हार्मोनिक फिगुरेशन, जैसे कि अल्बर्टी बास (Alberti basses), आर्पेजिएटेड कॉर्ड्स (arpeggiated chords), और ओस्टिनाटो (ostinati), अक्सर एक विस्तृत समयावधि में एक ही हार्मोनिक अनुक्रमों को दोहराते हैं। जबकि प्रतीकात्मक संगीत के लिए मौजूदा संपीड़न (compression) विधियाँ मौजूद हैं—जो एल्गोरिद्मिक सूचना सिद्धांत (जैसे लेम्पेल-ज़िव) से लेकर मेलोडिक सिग्नल्स पर वेवलेट ट्रांसफॉर्म और न्यूरल प्रोसेसिंग के लिए टोकनाइज़ेशन तक फैली हुई हैं—वे विशिष्ट सीमाओं से ग्रस्त हैं। वर्तमान दृष्टिकोण आमतौर पर सिग्नल, अनुक्रमिक घटना (sequential event), या प्रतीकात्मक टोकन स्तर पर कार्य करते हैं। महत्वपूर्ण रूप से, वे एक साथ निम्नलिखित करने में विफल रहते हैं: (i) स्कोर के अंतर्निहित ग्राफ प्रतिनिधित्व की ज्यामिति के अनुकूल होना; (ii) केवल क्रोमैटिक दूरी के बजाय हार्मोनिक दूरी को ध्यान में रखना; और (iii) यह सुनिश्चित करना कि पुनर्निर्माण मूल स्केल और वाद्य यंत्र के भीतर एक वैध संगीत स्कोर बना रहे। एक ऐसी संपीड़न योजना की आवश्यकता है जो नोट संबंधों, ग्राफ संरचना और कार्य-प्रासंगिक जानकारी को संरक्षित करते हुए हार्मोनिक जटिलता को कम कर सके।

कार्यप्रणाली (Methodology)
लेखक स्वर-पियानो स्कोर के पियानो सबग्राफ ( $G_{piano}$ ) के लिए एक संरचना-संरक्षण संपीड़न योजना प्रस्तावित करते हैं, जो टोननेटज़-संचालित ग्राफ वेजलेट (Tonnetz-driven Graph Wedgelet) ढांचे का उपयोग करती है। यह कार्यप्रणाली ग्राफ सिग्नल प्रोसेसिंग को संगीत सिद्धांत के साथ एकीकृत करती है:

ग्राफ प्रतिनिधित्व (Graph Representation): संगीत स्कोर को एक हेट्रोजेनियस ग्राफ के रूप में मॉडल किया गया है जहाँ नोड्स नोट्स (मेलोडिक लाइन, लिरिक्स, संगत) का प्रतिनिधित्व करते हैं और एडजेस (edges) अनुक्रमिक, ऊर्ध्धर (vertical), और क्रॉस-मोडल संबंधों को एनकोड करते हैं। संपीड़न विशेष रूप से पियानो सबग्राफ ( $G_{piano}$ ) पर केंद्रित है।
टोननेटज़ एम्बेडिंग (Tonnetz Embedding): यह सुनिश्चित करने के लिए कि संपीड़न हार्मोनिक संबंधों का सम्मान करता है, संगीत नोट्स को तीन अलग-अलग पूर्णांक कारकों ( $k_1, k_2, k_3$ ) का उपयोग करके मेजर थर्ड्स, माइनर थर्ड्स और सर्कल ऑफ फिफ्थ्स को कैप्चर करने के लिए एक छह-आयामी वेक्टर स्पेस में मैप किया जाता है। इस 6D स्पेस में यूक्लिडियन मीट्रिक, साधारण क्रोमैटिक दूरी के बजाय हार्मोनिक निकटता को कैप्चर करता है।
बाइनरी वेज पार्टीशनिंग (BWP): ग्राफ को फुल्ली एडेप्टिव ग्रीडी (FA-greedy) एल्गोरिदम का उपयोग करके "वेज" (wedges) नामक क्षेत्रों में विभाजित किया जाता है।
- प्रक्रिया एक बाइनरी ट्री का निर्माण करती है जो ग्राफ को पुनरावर्ती रूप से विभाजित करती है।
- विभाजन मानदंड (Splitting Criterion): प्रत्येक चरण में, एल्गोरिथ्म एक वेज को विभाजित करने के लिए और एक नया केंद्र नोड ( $v_{m+1}$ ) चुनने के लिए चुनता है ताकि 6D टोननेटज़ एम्बेडिंग के भीतर परिणामी विभाजन के $L_2$ -त्रुटि (error) को न्यूनतम किया जा सके।
- कनेक्टिविटी (Connectivity): विभाजन ग्राफ पर शॉर्टेस्ट-पाथ डिस्टेंस के आधार पर किया जाता है, यह सुनिश्चित करते हुए कि प्रत्येक परिणामी वेज एक कनेक्टेड सबग्राफ (संगीत की दृष्टि से निरंतर) बना रहे।
एन्कोडिंग और डिकोडिंग (Encoding and Decoding):
- एन्कोडर: FA-greedy एल्गोरिथ्म संपीड़न अनुपात $r$ के आधार पर $M$ वेज का एक सेट उत्पन्न करता है। प्रत्येक वेज के भीतर के सिग्नल को टोननेटज़ एम्बेडिंग में नोट्स के माध्य मान (mean value) द्वारा अनुमानित किया जाता है।
- डिकोडर: एक खेलने योग्य स्कोर को पुनर्गठित करने के लिए, प्रत्येक वेज के माध्य मान को क्वांटाइज़ किया जाता है। एल्गोरिथ्म उस वेज में मौजूद पिच क्लासेस के सेट ( $PC(V_{vi})$ ) से निकटतम पिच क्लास का चयन करता है। यह सुनिश्चित करता है कि पुनर्गठित नोट्स मूल पैलेट से लिए गए हैं, जिससे विदेशी पिच क्लासेस का प्रवेश नहीं होता है।
निर्यात (Export): पुनर्गठित पीसवाइज-कॉन्स्टेंट MIDI सिग्नल को मूल MusicXML संरचना में वापस मैप किया जाता है, जो सभी गैर-पिच गुणों (अवधि, डायनेमिक्स, आर्टिक्यूलेशन, आदि) को सुरक्षित रखते हुए केवल पिच मानों को अपडेट करता है।

प्रमुख योगदान (Key Contributions)

हार्मोनिक-जागरूक संपीड़न (Harmonic-Aware Compression): यह पेपर एक ऐसी संपीड़न विधि पेश करता है जो स्पष्ट रूप से क्रोमैटिक या टाइम-सीरीज स्पेस के बजाय एक हार्मोनिक स्पेस (Tonnetz) में त्रुटि को न्यूनतम करती है, जिससे यह सुनिश्चित होता है कि कम की गई जटिलता अंतर्निहित हार्मोनिक संबंधों को दर्शाती है।
ग्राफ-अनुकूल पार्टीशनिंग (Graph-Adaptive Partitioning): स्कोर-ग्राफ पर बाइनरी वेज पार्टीशनिंग ट्री लागू करके, यह विधि संगीत संगत की विशिष्ट टोपोलॉजी के अनुकूल होती है, जिससे संगीत अंशों की कनेक्टिविटी बनी रहती है।
वैध स्कोर पुनर्निर्माण (Valid Score Reconstruction): प्रस्तावित क्वांटिज़ेशन रणनीति गारंटी देती है कि आउटपुट एक वैध, मानव-पठनीय और खेलने योग्य स्कोर है जो मूल वाद्य यंत्र और स्केल को बनाए रखता है, जिससे स्रोत सामग्री में मौजूद न होने वाले "भ्रमित" (hallucinated) नोट्स के निर्माण से बचा जा सकता है।
फ्रेमवर्क का एकीकरण (Integration of Frameworks): यह कार्य ग्राफ वेजलेट फ्रेमवर्क (जिसे पहले छवियों और बायोमेडिकल डेटा पर लागू किया गया था) को मल्टी-डायमेंशनल पिच एम्बेडिंग्स के साथ जोड़कर सिम्बोलिक म्यूज़िकोलॉजी के क्षेत्र में विस्तारित करता है।

प्रायोगिक परिणाम (Experimental Results)
लेखकों ने तीन अलग-अलग रचनाकारों के 70 प्रतीकात्मक संगीत स्कोर (MusicXML प्रारूप) के संग्रह पर इस दृष्टिकोण का मूल्यांकन किया।

मीट्रिक: प्रदर्शन को मूल टोननेटज़-मूल्य वाले सिग्नल और वेजलेट सन्निकटन (approximation) के बीच रूट-मीन-स्क्वायर एरर (RMSE) द्वारा मापा गया था, जिसे वर्टेक्स-वार (vertex-wise) गणना किया गया।
निष्कर्ष: प्रयोगों ने संपीड़न अनुपात ( $r$ ) और पुनर्निर्माण निष्ठा (fidelity) के बीच एक ट्रेड-ऑफ प्रदर्शित किया। जैसे-जैसे अनुपात $r$ कम होता है (कम वेज), RMSE बढ़ता है, जो अधिक हार्मोनिक विचलन को दर्शाता है। हालांकि, पुनर्गठित मापों (चित्र 4) के दृश्य विश्लेषण से पता चला कि निम्न अनुपातों पर भी, सिस्टम मूल पिच के एक बड़े हिस्से (हरे रंग के नोटहेड्स) को सुरक्षित रखता है, जबकि पुनर्रचना (पीले रंग के नोटहेड्स) मुख्य रूप से वहां होती है जहां हार्मोनिक सरलीकरण सबसे प्रभावी होता है। पद्धति ने सफलतापूर्वक सरल स्कोर उत्पन्न किए जो मूल रचनाओं के रूप में पहचानने योग्य रहे।

महत्व और दावे (Significance and Claims)
यह पेपर इस कार्य को स्वचालित संगीत व्यवस्था (musical arrangements) के निर्माण की ओर एक आवश्यक कदम के रूप में प्रस्तुत करता है। लेखक दावा करते हैं कि उनकी विधि इस उद्देश्य के लिए एक "आवश्यक शर्त" स्थापित करती है: यह सुनिश्चित करना कि एक संपीड़ित व्यवस्था एक वैध संगीत स्कोर बनी रहे जो मूल रचना के रूप में पहचानी जा सके। हार्मोनिक संरचना और ग्राफ टोपोलॉजी को संरक्षित करके, विधि संगत की संगीत पहचान को विकृत किए बिना हार्मोनिक जटिलता को कम करने की अनुमति देती है। लेखक विनम्रतापूर्वक नोट करते हैं कि वर्तमान योजना अकेले होमोजेनियस पियानो सबग्राफ पर कार्य करती है और भविष्य के कार्यों के लिए पूर्ण हेट्रोजेनियस ग्राफ (मेलडी और लिरिक्स सहित) तक त्रुटि मेट्रिक्स और स्प्लिटिंग मानदंडों को विस्तारित करने और वेज के भीतर हार्मोनिक गति को पकड़ने के लिए गैर-स्थिर (non-constant) कार्यों का पता लगाने की आवश्यकता है।