聲學評價機制與兒童音樂天賦研究

劉珅

摘 要 本研究從天賦角度，回答職業音樂人的子女，是否與非職業音樂人的子女相比，更適合從事音樂相關行業。從教育分流角度，思考職業音樂人原生家庭的子女，是否更適合接受音樂教育，乃至專業音樂教育。從職業定位、社會分工角度，思考音樂世家是否比單一的音樂人，更容易勝任該領域工作。

本研究擬采用定量研究方法研究音樂范圍的問題;采用社會科學視角研究音樂相關問題;以數據驅動研究音樂相關問題緊跟時代理論前沿。

關鍵詞 聲學評價機制 兒童音樂天賦 研究

中圖分類號：G610? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? DOI：10.16400/j.cnki.kjdks.2020.01.044

Abstract From the perspective of talent， this study answers whether the children of professional musicians are more suitable for music related industries than the children of non professional musicians. From the perspective of educational diversion， this paper considers whether the children of the original families of professional musicians are more suitable for receiving music education， or even professional music education. From the perspective of professional orientation and social division of labor， this paper considers whether a musical family is more competent than a single musician in this field.

This study intends to use quantitative research methods to study the scope of music， social science perspective to study music related issues， and data-driven research to study music related issues closely following the theoretical frontier of the times.

Keywords acoustic evaluation mechanism; children's musical talent; research

1 國內研究趨勢及現狀綜述

國內對于聲音的研究，相關文獻還是比較豐富的。雖然研究對象為音樂相關范圍，但研究成果主要來源于IT行業。

江西科技師范大學音樂學院設計了視唱練耳教學系統，以視唱知識點和問題庫為出發點對學生視唱提供了檢驗手段。（Qiao Z， Yan B， 2017）。

因為音色變量的提取便利，建立在演唱聲音的評價上的研究較多，其中有采用量化研究法從聲樂教學視角研究聲音頻譜的研究（黃鶯，2012）。

利用神經網絡建立聲樂評價機制的研究（王修信，徐國鈺，梁冬冬，王佳菊，潘永華，2007），利用特征匹配的方法建立聲樂評價機制的研究（李文娟，張文俊，張瑩，潘晉。基于特征比較的聲樂評價方法，2009）。目前的研究趨勢主要集中采用BP神經網絡的方式對數據進行機器學習，進而對歌唱進行評價。對于音色的相關研究都涉及聲樂演唱的共振峰頻率參數（于善英，2004）。

對于節奏方面的研究主要來自于楊健教授的器樂作品音樂風格分析。其中涉及到器樂研究具體研究方法和作品分析應用，其研究技術場景主要有楊教授根據其提出的彈性節奏理論，通過標記節奏數據變化，制作節奏變化圖表，從而進行器樂作品風格的分析（楊健，2008）。

筆者所見：中科院自動化研究所，于2017-12月基于大數據開發的人工智能評價程序，是對演唱音頻進行AI智能評價的最新應用場景。

2 國外研究趨勢及現狀綜述

國外關于量化研究的歷史比較久遠，最早可以追溯到對于人類才能的研究。

人類才能的量化研究起始于比納西蒙智力測驗（Lewis M·Terman， 1933），當時的測試主要是有關智力方面的。測試的方法也是由一些類似于試卷的試題組成。該方法最初用于測試智商，評判兒童是否天才。

美國哈佛大學教育研究生院霍華德·加德納教授1983年在《智能的結構》一書中首先提出了多元智能理論（霍華德·加德納， 2008）。其中出現了對音樂才能的定量研究。

20世紀80年代末，對于才能的定義由智慧、智力、創造力轉向在如音樂、藝術、技術等某一特定領域的才能（D. J. Treffinger and J. F. Feldhusen， 1996; J. A. Plucker， 2013）。

20世紀，“費林效應”提出文化對認知專長發展具有重要影響。該研究認為越來越多的科學進步，視頻、游戲，電視節目和電影使許多人變得聰明（S. Johnson， Everything Bad Is Good for You，2006; D. F. Marks， 2010）。

人類的進步在體育方面體現為，當今的世界運動記錄比一個世紀以前高出了至少50%（R. Schulz and C. Curnow， 1988; K. A. Ericsson， R. W. Roring， and K. Nandagopal， 2007）。在1908年還被視為危險項目的高臺跳水空翻兩周，在今天，已被視為標準技能之一（M. J. Karvonen and M. Niemi， 1953;S. Le， J. Josse， and F. Husson， 2008）。于是筆者思考在音樂范圍是否同一現象。

利用聲學儀器進行音樂研究的課題有法國籍越南人TranOuangHai記錄的法國紀錄片《泛音之歌》，該研究是筆者所見使用量化研究法研究音樂的早期成果。

2011年提出的發展特大模型（talent-development mega-modal），在調查了歌手、樂器演奏家、舞蹈家、演員、作曲家、編導、作家等后指出，表演者和生產者的鑒別方式存在差異（R. F. Subotnik， P. Olszewski-Kubilius， and F.C. Worrell， 2011）。

涉及表演本體的有：關于兒童音高、響度、節奏、時值、音色和調性記憶的基礎性研究（bergendal and talo，1969），“音樂表演自動分析與比較工具包”提供了數字化手段的分析方法（AMPACT，2010）。

在合唱教學領域展開的，對演唱者音準、音域、音高、辨別和樂音記憶效應的研究的》（Aaron，1990）。

3 研究目標

將被試兒童分為兩組，通過對兒童演唱音頻的定量分析，分別對音準、節奏等因素的準確程度提取變量，采用BP神經網絡的方式對演唱音頻進行評價，從而得出結論，是否音樂工作者的后代在兒童時期更具音樂天賦。

4 研究內容

將所有樣本分為兩組，既音樂人的后代與非音樂人的后代。其中音樂人的后代中細分職業的音樂相關性。通過問卷區分親屬職業音樂相關度，即父母雙方皆為音樂相關職業從業者，父母一方為音樂相關職業從業者，爺爺輩為音樂從業者，近親為音樂從業者，遠親為音樂從業者。從親屬音樂從業相關度區分為音樂創作從業者，演唱性職業從業者，演奏性職業從業者，戲曲類職業從業者，舞蹈類職業從業者。非職業音樂人細分為能夠演奏樂器的音樂愛好者，能夠演唱歌曲的音樂愛好者，經常欣賞音樂的音樂愛好者，不經常欣賞音樂的非音樂愛好者。

兒童選取自己喜愛的拿手歌曲一段進行演唱。采用音頻采樣方式，錄入兒童唱歌的音頻。根據比奈-西蒙智力測量的測量方法，按年齡對演唱樣本進行不同的分組。用以控制隨年齡增長音樂才能的增加。數據采集過程如下：

4.1 音準準確度測量

通過調音器軟件量化演唱過程的音準。計算演唱過程的平均音準頻率誤差。將演唱所有音按半音階排列，計算各音對應頻率：n=12log2 （f/fo）。將平均演唱音高頻率與國際標準協會規定的la（fo）=440Hz的標準音高頻率進行對比，判斷其是否準確。檢測周期采用自相關周期檢測算法。取周期倒數得到歌聲基音頻率，然后取各幀基音頻率均值fave。同樣用自相關周期檢測算法，計算歌曲中各音對應的頻率，取平均頻率Fave。

公式：平均頻率誤差=∣fave-Fave∣/Fave（王修信，2007）

4.2 節奏準確度測量

通過節拍器軟件量化演唱過程的節奏。為使節奏靈活度不受固定節奏限制。在節奏準確度和靈活度方面參考彈性節奏理論。選擇經過平滑處理后的高斯窗，窗口根據需要選擇每小節或每拍的整倍數。取起拍時刻的時間數值為節奏參數。

公式：每分鐘節拍數=60/相鄰兩拍點的時間間隔（秒）

節奏準確度=兒童演唱每音間隔-原版演唱每音間隔/原版演唱每音間隔？100%（楊健，2008）。采用高斯窗函數將演唱音頻節奏與原版音視頻資料節奏進行平滑處理，突出主要節奏數據點。將演唱音頻按時間排列，截取相同的幀長，將每幀的演唱速度取平均值，與原版進行對比，計算節奏準確度與原版音頻的誤差，判斷其是否準確（吳興銓，2018）。

4.3 音色測量

采用共振峰衡量聲音的品質。低頻共振峰提供聲音的深度和共鳴，高頻共振峰提供聲音的色彩。這些頻譜特征形成了聲音音質（于善英，2004）。將采集音頻中進行數字化后，呈現為快速傅立葉轉換頻譜圖（spectrum）和三維曲面頻譜圖（3d surface）。采用AR模型提取共振峰頻譜特征，量化共振頻率赫茲數（李小武等，2012）。與原版演唱所含各音參考共振頻率諧音數目、諧和程度做對比，接近原版演唱音頻頻譜共振峰范圍以內為聲音共鳴良好、音色干凈且透亮、集中的音色，從不同兒童演唱樣本音色與原版音頻的音色差別判斷音色質量優劣。

5 結語

通過軟件，能夠有效量化演奏者演奏效果，使樂器演奏分析過程變得更加快捷。將速度相對值、樂器絕對音高、音感差異、樂器演奏共振峰強度瞬間諧音能量分布信息等因素采集為向量，即可以進行量化分析。如此有利于提高樂器演奏、教學、研究水平，對于演奏技術創新有著促進作用。

基金項目：華中師范大學2018年教學研究項目（2018023）

參考文獻

[1] Qiao Z， Yan B. Music Solfeggio Learning Platform Construction and Application[J]. International Journal of Emerging Technologies in Learning，2017.12（12）：14.

[2] 楊健.音樂表演實踐研究的計算機可視化音響參數分析方法[J].音樂藝術：上海音樂學院學報，2008（4）：54-62.

[3] 王修信，徐國鈺，梁冬冬，王佳菊，潘永華.幾種聲學參數在藝術嗓音客觀評價中的應用[J].廣西物理，2007.28（2）.