💻 computer science

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

本論文は、音楽要素のヘテロジニアスグラフを構築し、6次元のトネッツ埋め込みに基づいて音符をウェッジへと分割する適応的貪欲アルゴリズムを用いてピアノ・サブグラフを圧縮することにより、和声関係を維持しつつ、簡略化された演奏可能な楽譜を生成することで、記譜された音楽スコアの和声的複雑さを低減する手法を提案する。

原著者： Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

公開日 2026-07-13

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

想像してみてください。あなたは、音楽を表現した巨大で複雑なレゴのお城を持っています。一つ一つのブロックは音符であり、それらは特定の複雑なパターンで積み上げられています。そして、そのお城の「魂」を失うことなく、ポケットに入るサイズまで小さくしたいと考えているとします。ただ無闇にバラバラに壊すことはできません。それではお城ではなくなってしまうからです。あなたは、元の見た目や響きを維持したまま、よりシンプルに再構築できるよう、ブロックを賢い方法でグループ化する必要があります。

これが、この論文がやろうとしていることです。ただし、レゴの代わりに「楽譜」を使い、手を使う代わりに「グラフ」と呼ばれる巧妙な数学的ツールを使用しています。

問題点：ブロックが多すぎて、スペースが足りない

音楽のスコア、特に歌に伴うピアノパートは、しばしば反復に満ちています。例えば、ピアノが華やかなロール奏法を何度も何度も繰り返す曲を考えてみてください。コンピュータにとって、そのロール奏法の個々の音符はすべて、別々のユニークなブロックです。これにより、巨大で乱雑な「グラフ」（接続の地図）が作成されてしまいます。

著者らは、従来の音楽の簡略化手法は、3Dの彫刻を平らな紙に押しつぶそうとするようなものだと主張しています。それらは、音同士の音楽的な関係を無視するか、あるいは音楽を単なる音のリストとして扱っており、音楽を「正しく」聞こえさせる深い和声的なつながりを見落としていました。

解決策：「ハーモニー・マップ」（トネッツ）

これを解決するために、研究者たちは「トネッツ（Tonnetz）」と呼ばれる特別な地図を構築しました。標準的な時計の文字盤を想像してみてください。1から12までの数字は音符を表しています。通常の時計では、1と2の距離は1と7の距離と同じです。しかし音楽において、1と7（完全五度）は親友ですが、1と2は他人同士です。

著者らは、このマップの「6次元バージョン」を使用しています。それは、魔法のような多層構造の遊び場のようなものです。そこでは、一緒に響きが良い音は物理的に近くに配置され、衝突する音は遠くに配置されます。これは極めて重要です。なぜなら、これによりコンピュータが単なる音の順序ではなく、「ハーモニー（和声）」を理解できるからです。

魔法のトリック：「ウェッジ（くさび形）」によるスライス

ここが彼らの発明の核心である「グラフ・ウェッジレット（Graph Wedgelet）」です。

巨大で乱雑な粘土の塊（音楽グラフ）があると想像してください。あなたはそれを、「ウェッジ（くさび形）」と呼ばれる大きな滑らかな塊に彫り込みたいと考えています。目標は、それぞれの塊を、その中にある音の「平均値」というたった一つの数値だけで記述できるほど均一にすることです。

論文では「完全適応型グリーディ（Fully Adaptive Greedy）」アルゴリズムを紹介しています。これは、コンピュータが「熱い・冷たい」ゲームをしているようなものだと、簡単に言えばこういうことです：

粘土の塊全体を見る。
「今ここでこの塊を半分に切るとしたら、どちらの切り方をした方が、二つの新しい塊が互いに最も似通ったものになるだろうか？」と問いかける。
切り込みを入れる。
このプロセスを再帰的に繰り返し、塊を分割していく。

この「切り込み」はランダムではありません。音同士が調和するように「トネッツ・マップ」を使用しています。もしある塊の中にハ長調（Cメジャー）のコードが含まれていれば、コンピュータはその塊を一体として保持します。Cの音と、その隣で響くと不快に感じる音を、誤って同じグループにすることはありません。

結果：よりシンプルで演奏可能なスコア

音楽がこれらの「ウェッジ」に切り分けられたら、コンピュータはウェッジ内のすべての音を、そのグループの「平均的な音」に置き換えます。

次のように考えてみてください。もしあるウェッジの中に、すべてがハ長調のバリエーションである50個の音符が含まれている場合、コンピュータはこう判断します。「よし、このセクション全体については、単に『平均的なC』を演奏しよう」。

論文では、この方法が素晴らしい成果を上げることが示されています。シミュレーションにおいて、彼らは3人の作曲家による70の実際の楽譜を取り上げました。そして、どれほど音楽を圧縮（圧縮比）できるか（＝どの程度まで小さくしても音が悪くならないか）をテストしました。

全て（100%の音符）を保持した場合、結果は完璧でした。
大幅に圧縮（わずかな数のウェッジまで削減）した場合、音楽は非常にシンプルになりましたが、それでも元の曲のように聞こえました。

論文には、この手法は元の曲になかった新しい音を導入しないことが明記されています。コンピュータは、作曲家がすでに書いた音の中からのみ選択します。これは安全機能です。簡略化されたスコアは常に人間にとって演奏可能かつ読みやすく、作曲家の意図にない奇妙で異質な音を勝手に作り出すことはありません。

これは「何ではない」のか（および「何を行わない」のか）

この論文が主張していないことも理解しておく必要があります。

これは、あらゆるファイルを瞬時に圧縮できる魔法の杖ではありません。これは、歌唱・ピアノ形式のスコアにおける「ピアノ伴奏」部分に特化したものです。現時点では、メロディや歌詞を同じ方法で扱うことはできません。
これが、あらゆる時代における「完璧な」圧縮手法であるとは言っていません。著者らは、現在はウェッジ全体を単一の一定の音に置き換えていることを認めています。将来的には、ウェッジ内部の動きを捉えるために、より複雑な形状を使用したいと考えていますが、現時点では、平坦で一定の平均値となっています。
結果は、特定の70のスコアを用いたシミュレーションと実験に基づいています。あらゆる音楽を書いたすべての曲に対してテストされたわけではありませんが、試行した曲においては数学的な整合性が取れています。

結論

著者らは、音楽の「スマートなエディター」として機能するツールを作り上げました。それは複雑なピアノパートを分析し、隠れた和声パターンを見つけ出し、似た音を「ウェッジ」としてグループ化します。そして、それらのグループを平均的な音に置き換えることで、スコアを簡略化します。

その結果、音楽はよりシンプルになり、読みやすく演奏しやすくなりますが、それでも元の曲のように聞こえます。それは、高解像度の写真を、被写体は全く同じに見えるまま、より少ないピクセルで表現した「ドット絵」に変換するようなものです。この論文は、これが初心者向けの簡略化された編曲を自動的に作成するソフトウェアへの第一歩となり、音楽が作曲家のオリジナルのビジョンに忠実であることを保証するものになると示唆しています。

技術要約：楽譜における調性的複雑性低減のためのTonnetz駆動型グラフ・ウェッジレット

問題提起
歌唱パートとピアノパートを含む記号的な音楽楽譜は、その伴奏部分において顕著な構造的冗長性を示す。アルベルティ・バス、アルペジオによる和音、オスティナートといった和声的図形は、長い時間的スパンにわたって同じ和声的シーケンスを繰り返すことが多い。既存の記譜法圧縮手法（アルゴリズム情報理論（例：Lempel-Ziv）から、メロディ信号に対するウェーブレット変換、あるいはニューラル処理のためのトークン化に至るまで）は存在するが、これらは特定の限界を抱えている。現在の手法は通常、信号レベル、シーケンシャルなイベントレベル、または記号的なトークンレベルで動作している。決定的なことに、それらは以下の事項を同時に達成できていない：(i) 楽譜の基礎となるグラフ表現の幾何学に適応すること、(ii) 単なる半音階的な距離ではなく、和声的な距離を考慮すること、(iii) 再構成されたものが元の音階および楽器編成の範囲内に留まり、有効な音楽スコアであることを保証すること。したがって、タスクに関連する情報、音の関係、およびグラフ構造を保持しつつ、和声的複雑性を低減させる圧縮スキームが必要とされている。

手法
著者らは、歌唱・ピアノ譜におけるピアノ・サブグラフに対して、**Tonnetz駆動型グラフ・ウェッジレット（Tonnetz-driven Graph Wedgelet）**フレームワークを用いた、構造保存型の圧縮スキームを提案している。本手法は、グラフ信号処理と音楽理論を以下のように統合している：

グラフ表現: 音楽楽譜を、ノート（旋律線、歌詞、伴奏）をノードとし、順次的、垂直的、およびクロスモーダルな関係をエッジとしてエンコードするヘテロジニアス（異種混合型）グラフとしてモデル化する。圧縮は特にピアノ・サブグラフ（ $G_{piano}$ ）に焦点を当てる。
Tonnetz埋め込み: 和声的関係を尊重するために、音楽的な音をTonnetz埋め込みを用いて6次元ベクトル空間にマッピングする。この埋め込みは、長3度、短3度、および完全5度の圏（circle of fifths）を捉えるために、3つの異なる整数因子（ $k_1, k_2, k_3$ ）を用いてピッチクラスを円周上に投影する。この6次元空間におけるユークリッド距離は、単純な半音階的距離ではなく、和声的な近接性を捉える。
バイナリ・ウェッジ分割（BWP）: **完全適応型貪欲法（FA-greedy）**アルアルゴリズムを用いて、グラフを「ウェッジ（楔形）」と呼ばれる領域に分割する。
- プロセスは、グラフを再帰的に分割することによりバイナリツリーを構築する。
- 分割基準: 各ステップにおいて、アルゴリズムは、6次元Tonnetz埋め込み内での分割による $L_2$ 誤差を最小化するように、分割対象のウェッジと新しい中心ノード（ $v_{m+1}$ ）を選択する。
- 連結性: 分割はグラフ上の最短経路距離に基づいて行われ、これにより、結果として得られるすべてのウェッジが連結されたサブグラフ（音楽的に連続したもの）であることを保証する。
符号化と復号:
- エンコーダ: FA-greedyアルゴリズムは、圧縮率 $r$ に基づいて $M$ 個のウェッジを生成する。各ウェッジ内の信号は、Tonnetz埋め込みにおけるノートの平均値によって近似される。
- デコーダ: 再生可能なスコアを再構成するため、各ウェッジの平均値は量子化される。アルゴリズムは、そのウェッジ内に実際に存在するピッチクラスの集合（ $PC(V_{vi})$ ）の中から、最も近いピッチクラスを選択する。これにより、再構成された音は作曲家のオリジナルのパレットから選ばれることが保証され、未知のピッチクラスが導入されることを防ぐ。
エクスポート: 再構成された区分的に定数なMIDI信号は、元のMusicXML構造へとマップされる。これにより、ピッチ値は更新されるものの、他の属性（音価、強弱、アーティキュレーションなど）はすべて保持される。

主な貢献

和声認識型圧縮: 本論文は、単なる半音階的または時系列的な空間ではなく、和声的な空間（Tonnetz）において誤差を明示的に最小化する圧縮手法を導入しており、低減された複雑性が本質的な和声関係を反映することを保証している。
グラフ適応型分割: スコアグラフにバイナリ・ウェッジ分割ツリーを適用することで、本手法は音楽的伴奏の特定のトポロジーに適応し、音楽的断片の連結性を維持する。
有効なスコアの再構成: 提案された量子化戦略は、出力が元の素材に含まれない「幻覚」的な音を生成することなく、元の楽器編成と音階を保持した、有効で人間が読める、かつ演奏可能なスコアであることを保証する。
フレームワークの統合: 本研究は、グラフ・ウェッジレット・フレームワーク（以前は画像や生物医学データに適用されていたもの）を、多次元ピッチ埋め込みと組み合わせることで、記号的音楽学の領域へと拡張するものである。

実験結果
著者らは、3人の異なる作曲家による70の記号的音楽スコア（MusicXML形式）のコーパスを用いて、本手法を評価した。

指標: パフォーマンスは、元のTonnetz値を持つ信号とウェッジレット近似との間の平方根平均二乗誤差（RMSE）によって測定され、これは頂点ごとに計算された。
知見: 実験により、圧縮率（ $r$ ）と再構成の忠実度の間のトレードオフが示された。比率 $r$ が減少する（ウェッジの数が少なくなる）につれて、RMSEが増加し、和声的な偏差が大きくなることが示された。しかし、再構成された小節の視覚的分析（図4）によれば、低い比率においても、システムはかなりの部分の音に対して元のピッチを保持しており（緑色の音符）、再割り当て（黄色の音符）は、和声的な簡略化が最も効果的な箇所で主に発生している。本手法は、元の楽曲として認識可能な範囲内で、簡略化されたスコアを正常に生成した。

意義と主張
本論文は、本研究を自動的な簡易編曲生成への必要なステップとして位置づけている。著者らは、圧縮された編曲が有効な音楽スコアであり続け、かつ元の楽曲として認識可能であることを保証するという、「必要条件」を確立したと主張している。和声構造とグラフのトポロジーを保持することにより、本手法は、伴奏の音楽的アイデンティティを歪めることなく、和声的複雑性を低減することを可能にする。著者らは、現在のスキームが同質なピアノ・サブグラフのみを単独で扱うものであることを控えめに述べており、今後は、誤差指標と分割基準を完全なヘテロジニアス・グラフ（旋律や歌詞を含む）へと拡張すること、およびウェッジ内の和声的動きを捉えるために非定数関数を探索することが今後の課題であるとしている。