Automātiska mūzikas transkripcija

Abstract

Automātiska mūzikas transkripcija ir izaicinošs uzdevums, kas ietver audio ierakstu pārvēršanu par simbolisku attēlojumu, piemēram, notis, MIDI failiem vai klavieru ruļļa atveidojumu. Šī bakalaura darba mērķis ir sniegt visaptverošu pārskatu par aktuālākajām tehnikām automātiskās mūzikas transkripcijas jomā un salīdzināt visbiežāk lietotās metodes, proti, nenegatīvās matricu faktorizācijas (NMF) un neironu tīklus. Darba mērķis ir analizēt šo pieeju stiprās un vājās puses, kā arī novērtēt to efektivitāti mūzikas transkripcijā. Darba sākumā tiek sniegts pārskats par automātiskās mūzikas transkripcijas pamatjēdzieniem un izaicinājumiem, ieskaitot polifoniskās mūzikas un atšķirīgu mūzikas instrumentu radītos grūtības. Tiek izklāstītas pieejas, kuras tika izstrādāti polifoniskas mūzikas automātiskai transkripcijai. Turpinājumā tiek izklāstītas populārāko pieeju, NMF un neironu tīklu, detalizētie aspekti, ka ari to plusi un minusi salīdzinot vienu ar otru. Lai novērtētu NMF un neironu tīklu veiktspēju, tiek veikti salīdzinoši eksperimenti ar dažāda veida skaņdarbiem. Rezultāti tiek analizēti, ņemot vērā transkripcijas precizitāti un apstrādāto skaņdarbu sarežģītības pakāpi. Šo eksperimentu rezultāti sniedz ieskatu katras metodes stiprajās un vājajās pusēs, ļaujot veikt visaptverošu salīdzinājumu par to efektivitāti automātiskās mūzikas transkripcijā. Darba rezultāti palīdzēs labāk saprast aktuālākās tehnikas automātiskajā mūzikas transkripcijā un palīdzēs izvēlēties piemērotās metodes saviem konkrētajiem mērķiem. Identificējot NMF un neironu tīklu stiprās un vājās puses, šis pētījums iezīmē ceļu nākotnes pētniecībai, lai attīstītu precīzākas un izturīgākas automātiskās mūzikas transkripcijas sistēmas.

Automatic music transcription is a challenging task that involves converting audio recordings into a symbolic representation, such as musical notes, MIDI files, or piano roll representations. The aim of this bachelor's thesis is to provide a comprehensive overview of the state-of-the-art techniques in the field of automatic music transcription and compare the most commonly used methods, namely Non-Negative Matrix Factorization (NMF) and neural networks. The goal is to analyze the strengths and weaknesses of these approaches and evaluate their effectiveness in music transcription. The thesis begins with an overview of the basic concepts and challenges in automatic music transcription, including difficulties posed by polyphonic music and different musical instruments. Approaches that have been developed for polyphonic music automatic transcription are discussed. Next, the detailed aspects of the popular approaches, NMF and neural networks, are explained, along with their pros and cons compared to each other. To evaluate the performance of NMF and neural networks, comparative experiments are conducted using various types of musical pieces. The results are analyzed, taking into account transcription accuracy and the complexity of the processed musical pieces. These experimental results provide insights into the strengths and weaknesses of each method, allowing for a comprehensive comparison of their effectiveness in automatic music transcription. The results of this work will help to better understand the state-of-the-art techniques in automatic music transcription and assist in choosing suitable methods for specific goals. By identifying the strengths and weaknesses of NMF and neural networks, this study paves the way for future research to develop more accurate and robust automatic music transcription systems.