💻 computer science

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

本文提出了一种通过构建音乐元素的异构图，并利用一种基于六维 Tonnetz 嵌入将音符划分为楔形（wedges）的自适应贪婪算法来压缩钢琴子图，从而降低符号化乐谱中和声复杂度，以在保留和声关系的同时生成简化且具可演奏性的乐谱的方法。

原作者： Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

发布于 2026-07-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一座宏大而复杂的乐高城堡，它代表着一段音乐。每一块积木都是一个音符，它们以特定的、复杂的模式堆叠在一起。现在，想象你想把这座城堡缩小到可以放进兜里，但又不能丢失建筑的“灵魂”。你不能只是随机地把它砸碎，否则它就不再是一座城堡了。你需要一种聪明的方法来对积木进行分组，这样当你重新搭建时，它看起来和听起来仍然像原来的样子，只是变得更简洁了。

这正是这篇论文所做的事情，只不过它用的不是乐高，而是乐谱；用的也不是手，而是一个被称为**图（graph）**的巧妙数学工具。

问题：砖块太多，空间不够

乐谱，尤其是伴随歌手的钢琴部分，通常充满了重复。想象一首歌中，钢琴不断地演奏着某种华丽的、滚动的模式。对于计算机来说，那个滚动模式中的每一个音符都是一个独立的、独特的“砖块”。这创造了一个庞大且混乱的“图”（一种连接关系图）。

作者认为，以往简化音乐的方法就像是试图将一个 3D 雕塑压扁成一张平面的纸。它们要么忽略了音符之间的音乐关系，要么将音乐视为简单的声音列表，从而错失了让音乐听起来“正确”的深层和声联系。

解决方案：“和谐图”（Tonnetz）

为了解决这个问题，研究人员构建了一张特殊的地图，称为 Tonnetz。想象一个标准的时钟盘面，上面的数字 1 到 12 代表不同的音符。在普通的时钟上，1 到 2 的距离与 1 到 7 的距离相同。但在音乐中，1 和 7（纯五度）是最好的朋友，而 1 和 2 则是陌生人。

作者使用了一个六维版本的这种地图。可以把它想象成一个神奇的多层游乐场，在这里，听起来和谐的音符在物理位置上彼此靠近，而冲突的音符则相距甚远。这一点至关重要，因为它确保了计算机理解的是“和声”，而不仅仅是音符的先后顺序。

魔法技巧：“楔形”切割器

这是他们发明中的核心部分：图楔形（Graph Wedgelet）。

想象你有一大堆乱七八糟的粘土（即音乐图）。你想把它切割成大的、平滑的块，这些块被称为楔形（wedges）。目标是让每一个块都足够均匀，以至于你可以用仅仅一个数字（其中包含的音符的平均值）来描述整个块。

论文引入了一种**“全自适应贪婪”算法（Fully Adaptive Greedy algorithm）**。这是一种高级说法，意思是指计算机正在玩一场“热搜与冷搜”的游戏：

它观察整堆粘土。
它询问：“如果我现在把它切成两半，哪种切法会让产生的新堆看起来最相似？”
它进行切割。
它重复这个过程，递归地分裂这些堆，直到它得到所需数量的块。

这种“切割”并不是随机的。它利用 Tonnetz 地图来确保被分组在一起的音符在和声上是相关的。如果一个块包含一个 C 大调和弦，计算机就会将其作为一个整体保留。它不会不小心把一个 C 音和一个与其搭配起来很难听的音符分在一组。

结果：一个更简洁、可演奏的乐谱

一旦音乐被切分成这些“楔形”，计算机就会用该组内的平均音符来替换每一个单独的音符。

可以这样理解：如果一个楔形包含 50 个都是 C 大调和弦变体的音符，计算机就会说：“好吧，对于这一整个部分，我们只需演奏‘平均’的 C 即可。”

论文显示这种方法效果极佳。在模拟实验中，他们提取了来自三位不同作曲家的 70 份真实乐谱。他们测试了在不让音乐听起来变差的前提下，可以将音乐压缩到什么程度（压缩率）：

当保留所有内容（100% 的音符）时，结果是完美的。
当进行大幅度压缩（减少到仅有几个楔形）时，音乐变得更加简洁，但听起来仍然像是原曲。

论文明确指出，这种方法不会引入原曲中不存在的新音符。它只从作曲家已经写下的音符中进行选择。这是一个安全特性：简化后的乐谱始终是人类可读、可演奏的，并且永远不会发明出不属于原曲的、奇怪的、外星般的音符。

这不是什么（以及它不具备的功能）

重要的是要了解这篇论文没有声称什么。

它并没有声称这是一种可以瞬间压缩任何文件的魔杖。它专门针对的是人声-钢琴乐谱中的钢琴伴奏部分。它目前还没有以同样的方式处理旋律或歌词。
它并没有说这是永恒的“完美”压缩方法。作者承认，目前他们是用一个单一的、恒定的音符来替换整个楔形。未来，他们希望使用更复杂的形状来捕捉楔形内部的运动，但目前，它还只是一个平坦的、恒定的平均值。
结果是基于模拟和对特定 70 份乐谱的实验。他们还没有在每一首写出来的音乐上进行测试，但对于他们尝试过的那些作品，数学逻辑是成立的。

总结

作者构建了一个充当“智能编辑”的工具。它观察复杂的钢琴部分，找到隐藏的和声模式，并将相似的音符组合成“楔形”。然后，它通过用这些组的平均声音来替换那些组，从而简化乐谱。

其结果是一个更简洁的版本，它更容易阅读和演奏，但听起来仍然是原曲。这就像是将一张高分辨率照片变成像素艺术版本，它看起来仍然完全符合主题，只是像素变少了。论文表明，这可能是自动生成初学者简化编曲软件的第一步，从而确保音乐始终忠于作曲家的原始构思。

技术摘要：用于音乐乐谱中和声复杂度降低的 Tonnetz 驱动图楔形（Graph Wedgelet）方法

问题陈述
符号化音乐乐谱，特别是包含人声与钢琴部分的乐谱，其伴奏部分表现出显著的结构冗余。和声织体（如阿尔伯蒂低音、琶音和弦及固定音型）往往在较长的时值跨度内重复相同的和声序列。现有的符号音乐压缩方法——从算法信息论（如 Lempel-Ziv）到针对旋律信号的小波变换，再到针对神经处理的标记化（tokenization）——都存在特定的局限性。目前的处理方式通常运行在信号、序列事件或符号标记层面。至关重要的是，它们无法同时实现以下三点：(i) 适应乐谱底层图表示的几何特性；(ii) 考虑和声距离而非仅仅是半音距离；(iii) 约束重构结果使其保持在原有的调式与配器范围内，从而成为一份有效的音乐乐谱。因此，需要一种能够减少和声复杂度，同时保留任务相关信息、音符关系及图结构的压缩方案。

方法论
作者提出了一种针对人声-钢琴乐谱中钢琴子图的结构保持压缩方案，该方案利用了 Tonnetz 驱动的图楔形（Graph Wedgelet） 框架。该方法将图信号处理与音乐理论相结合，具体流程如下：

图表示： 音乐乐谱被建模为一个异质图，其中节点代表音符（旋律线、歌词、伴奏），边则编码了序列、纵向及跨模态的关系。压缩过程专门针对钢琴子图 ( $G_{piano}$ )。
Tonnetz 嵌入： 为了确保压缩符合和声关系，音乐音符被映射到一个六维向量空间中，使用的是 Tonnetz 嵌入。该嵌入通过三个不同的整数因子 ( $k_1, k_2, k_3$ ) 将音级投影到圆周上，以捕捉大三度、小三度和五度圈关系。该 6D 空间中的欧几里得度量捕捉的是和声接近度，而非简单的半音距离。
二叉楔形划分 (BWP)： 使用 全自适应贪婪 (FA-greedy) 算法将图划分为若干个称为“楔形”（wedges）的区域。
- 该过程通过递归拆分图来构建一棵二叉树。
- 拆分准则： 在每一步中，算法选择一个楔形进行拆分，并选取一个新的中心节点 ( $v_{m+1}$ )，以最小化 6D Tonnetz 嵌入空间内所得划分的 $L_2$ 误差。
- 连通性： 拆分基于图上的最短路径距离，确保每个生成的楔形都是一个连通的子图（在音乐上是连续的）。
编码与解码：
- 编码器： FA-greedy 算法根据压缩比 $r$ 生成一组 $M$ 个楔形。每个楔形内的信号通过该楔形内音符在 Tonnetz 嵌入中的平均值进行近似。
- 解码器： 为了重构出可演奏的乐谱，每个楔形的平均值会被量化。算法会从该楔形中实际使用的音级集合 ( $PC(V_{vi})$ ) 中选择最接近的音级。这确保了重构的音符均取自作曲家原始的音级库，防止引入外来音级。
导出： 重构的分段常数 MIDI 信号被映射回原始的 MusicXML 结构，在更新音高值的同时，保留所有非音高属性（时长、力度、表情记等）。

核心贡献

具备和声感知能力的压缩： 本文引入了一种显式地在和声空间（Tonnetz）而非半音或时间序列空间中最小化误差的压缩方法，确保了降低后的复杂度反映了内在的和声关系。
图自适应划分： 通过对乐谱图应用二叉楔形划分树，该方法能够适应音乐伴奏的具体拓扑结构，维持音乐片段的连通性。
有效的乐谱重构： 所提出的量化策略保证了输出是一个有效的、人类可读且可演奏的乐谱，它保留了原始的配器与调式，避免了生成源材料中不存在的“幻觉”音符。
框架集成： 该工作将图楔形框架（此前已应用于图像和生物医学数据）扩展到了符号音乐学领域，并将其与多维音高嵌入相结合。

实验结果
作者通过对来自三位不同作曲家的 70 份符号音乐乐谱（MusicXML 格式）语料库进行了评估。

指标： 性能通过原始 Tonnetz 值信号与楔形近似值之间的均方根误差 (RMSE) 进行衡量，该误差是在顶点层面计算的。
结论： 实验证明了压缩比 ( $r$ ) 与重构保真度之间的权衡关系。随着压缩比 $r$ 减小（楔形数量减少），RMSE 增大，表明和声偏差增加。然而，通过对重构小节的视觉分析（图 4）发现，即使在较低的压缩比下，系统仍能保留大部分原始音高（绿色音符头），而重新分配（黄色音符头）主要发生在和声简化最有效的地方。该方法成功生成了既能被识别为原曲、又经过简化的乐谱。

意义与主张
本文将此项工作定位为实现自动生成简化编曲的必要步骤。作者声称，其方法建立了一个实现该目标的“必要条件”：即确保压缩后的编排仍然是一份有效的、能被识别为原曲的音乐乐谱。通过保留和声结构与图拓扑，该方法能够在不扭曲伴奏音乐身份的前提下降低其和声复杂度。作者也谦虚地指出，目前的方案是独立作用于同质钢琴子图的，未来的工作需要将误差度量与拆分准则扩展到完整的异质图（包括旋律与歌词），并探索楔形内非常数函数的使用，以捕捉楔形内部的和声运动。