从二分类到连续量：多维调性强度如何刻画调性渐弱与瓦解

📄 从二分类到连续量：多维调性强度如何刻画调性渐弱与瓦解

英文题目：A Multidimensional Model for Quantifying Tonal Strength: A Continuous Framework of Analyzing Tonal Evolution Beyond Tonal-Atonal Binary Classification

标签：#音乐分析 | #统计分析 | #音乐信息检索 | #听觉与音乐认知

评分：6.5/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

👥 作者与机构

• Yuliang Li：机构信息未能从 arXiv PDF 文本可靠映射
• Nan Nan：机构信息未能从 arXiv PDF 文本可靠映射
• Meilian Gu：机构信息未能从 arXiv PDF 文本可靠映射
• Xiaohong Guan：机构信息未能从 arXiv PDF 文本可靠映射

📌 核心摘要

西方音乐从共性实践调性向无调性过渡存在大量中间状态，二分类标签无法刻画渐进弱化过程，论文的输入是符号音乐文件中的音高与时值信息，输出是连续的调性程度值（tonal-degree value，T）。先解析文件提取音符事件并统计全局音高类别时值分布，计算其与均匀分布的余弦相似得到全局音高类别分布均匀性（pitch-class distribution uniformity，U），再经1-U方向对齐使数值越大越偏离均匀而越具调性。以4个音符为窗、2个音符为步划分局部窗口，将各窗分布与24个大小调模板相关以推断调中心，调中心时间稳定性（temporal stability of tonal centers，S）度量相邻窗口推断结果的相关性，局部调性清晰度（local tonal clarity，C）取各窗最大模板相关性的平均值，前步输出的窗分布直接作为这两步相关计算的输入。三者经方向对齐和标准化后由因子分析映射为一个潜变量得分，KMO为0.756且首成分解释87.67%方差，支持一维整合得到T。在196首调性与无调性作品构成的评测集上，集成模型在样本最优阈值0.06处取得F1 = 0.9851，AUC = 0.9985，超过单个特征和改编的区间分类基线。在21位作曲家1561首作品的历史语料上，均值从巴洛克与古典的正区间连续下降到第二维也纳乐派的负区间，EMOPIA上的正价态组均值高于负价态组但效应量r = 0.074。该结论适用于符号化西方音乐MIDI及类似窗长条件，在4至20音符窗内表现稳定，但样本最优阈值与分期对应尚未在音频录音、非西方体系或当代风格中验证，复现失败的区间类别方法亦未纳入完整比较。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://kunstderfuge.com — 链接可访问（HTTP 200）

• 第三方资源：https://musescore.com — 链接不可用（HTTP 403）

• 第三方资源：https://doi.org/10.5281/zenodo.5624519 → https://zenodo.org/records/5624519 — 链接可访问（HTTP 200）

• 第三方资源：https://openreview.net/forum?id=r1lYRjC9F7 → https://openreview.net/challenge?redirect=%2Fforum%3Fid%3Dr1lYRjC9F7 — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

为什么二标签不够：这篇论文要解决的输入与目标

这篇论文处理的是符号乐谱输入，通常是 MIDI 文件中的音高与时长信息，目标不是给每首作品贴一个调性或无调性的标签，而是给出一个连续的调性程度值，记作 T，数值越大表示调性组织越强，越小表示越弱。背景是西方艺术音乐在十九世纪末到二十世纪初经历了从共性实践调性向高度半音化和无调性的缓慢过渡，中间出现了扩展调性、调式写作、印象主义、自由无调性等多种语言，很多作品既有调性残留又有明显偏离，用非此即彼的二分类会抹掉这些中间状态。

作者因此把调性强度理解为一种连续的结构属性，而把 T 理解为模型对该属性的数值估计。论文明确区分了这两个层次：前者是音乐学概念，后者是计算输出，阅读时不要把 T 直接等同于调性本身。输入保留的是每个音的音级归属和持续时长，输出是一个以估计样本为中心、零为参照的连续分值，零只表示样本中心，不代表有音乐学意义的绝对分界线。

已有路线在比什么：调中心识别、分类与历史曲线

要理解新方法的分工，需要先看 3 条已有路线在相同输入与目标下做了什么。第一条是调中心识别，代表是 Krumhansl-Schmuckler 算法，它把观测到的音级分布与实验得到的 24 个大小调模板求相关，取相关最大的调为估计结果，后续还有概率化和随时间自适应的扩展，以及用色度、谐波音级分布和卷积、循环网络做全局与局部调估计。这类方法的输出是离散的调标签，内部表示为分类准确率优化，不直接给出整体调性有多强。

第二条是调性与无调性区分，例如用音级集合类别中属于全音阶集合的比例，或用音程分布聚类来分开两类语料，它们本质上仍是分类思维，只能说属于哪一边，不能刻画同一作曲家内部或同一时期内部的渐变。

第 3 条是基于语料的历史风格分析，例如用 2000 首录音的和弦进行、音程使用和调性复杂度做演化曲线，或用 6 种有向音程关系看五度、大小三度关系的长期变化，它们已经用连续特征代替时期标签，但目标是描述某类特定趋势，而不是给出跨作品、跨作曲家、跨时期可比的统一调性强度量。论文的比较条件是公平的：它没有把分类准确率与历史解释力混为一谈，而是指出 3 类方法分别缺了连续、可比、可解释的统一量，这正是新模型要补的位置。

中间状态难在哪：全局、时间与局部可能不同步

论文强调的难点在于过渡作品的 3 个方面可能不同步变化。一首作品可以在全局上保留某种音级集中趋势，却在时间上频繁更换调中心；也可以在每个短片段内听起来像某个调，但整体频繁游移；还可以全局分布相对平坦，但局部偶尔出现清晰的调性贴合。如果只用单一统计视角，例如只看全局音级集合比例，就会只抓住其中一面，对混合状态给出片面判断。

更重要的是，历史演变不是整齐的阶段跳变，而是同一时期不同作品、同一作曲家不同年份之间存在很大离散。因此问题被形式化为如何把全局统计规律性、时间连贯性、局部感知贴合这 3 个互补维度操作化为可计算特征，再合成为一个连续量，既能在两端分开调性与无调性，又能在中间刻画渐弱谱系。论文为此构造了两个互补数据集：一个是 196 首的二分类基准，用于受控验证区分能力。

另一个是 1561 首、21 位作曲家、从巴洛克到二十世纪初的历史语料，用于纵向分析连续变化。

整体流程：从音符到三个特征再到一个连续分值

沿着一首作品走一遍流程会更清楚。输入是一个符号乐谱文件，模型先解析出音符事件，累积每个音级的总时长并归一化，得到整首的音级时长向量，这是全局特征的基础。然后把作品切成重叠的分析窗，每窗 4 个音、步长 2 个音，即 50% 重叠，对每个窗同样计算窗内归一化音级分布，再与 24 个调性模板求皮尔逊相关，得到该窗最像哪个调以及像到什么程度。基于这些窗级结果，模型分别计算时间维度的相邻调中心模板相似度均值和局部维度的最大相关均值。

最后把全局特征方向对齐后与另两个特征一起标准化，再通过因子分析的线性映射得到该作品的调性程度估计值。整个流程没有训练神经网络分类器，计算是确定性的特征提取加一次在样本上估计的线性加权，估计样本不同则零点与权重会变，这是复现时必须注意的信息条件。

Krumhansl-Schmuckler 模板 × 分析窗： Krumhansl-Schmuckler 模板指由听觉实验得到的 24 个大小调音级稳定性分布，是判断像哪个调的参照系；分析窗指每次取 4 个音、步长 2 个音的重叠片段，是局部计算的基本单位。两者搭配的理由是必须先把每个短片段的音级分布算出来，再与模板求相关才能估计局部调中心，组合后时间稳定性和局部清晰度才有统一的计算基础。

论文选择 4 个音的窗长时给出的理由是短期调性感知发生在几个音或约 1 秒的时间尺度，且 Krumhansl 曾报告仅用巴赫 48 首前奏曲中每首前 4 个音就能正确识别 44 首的调，作者还进一步测试了 4 到 20 个音的窗长对区分性能的影响，发现局部清晰度与时间稳定性对窗长变化相对稳健，因此后续统一用 4 音窗、步长 2 音。

全局看集中还是铺平：音级分布均匀性算什么

第一个特征是音级分布均匀性，记作 U。日常语言说，它回答整首作品的音是否集中在少数音级上，还是 12 个音级用得差不多平。音乐理论的直觉是调性音乐有主次功能组织，音级分布不均匀，而无调性倾向于更均匀。计算上，先得到整首归一化音级向量 p，再构造均匀参照向量 u，每个分量都是 1/12，然后求两者余弦相似度。相似度越高说明越接近均匀，调性越弱。

越低说明越偏离均匀，调性越强。为了让 3 个特征方向一致，论文在整合前做方向对齐，取 U’等于 1 减 U，使越大都表示越强。代价很直观：该特征只看全局计数，丢失了时间顺序和局部语境，一首频繁转调但每个调内都很集中的作品也可能在全局上显得铺平，因此不能单独用它判断过渡态。

音级分布均匀性 × 调性程度值： 音级分布均匀性指整首作品的音级时长分布与均匀分布的余弦相似度，它只看全局统计是否集中、有无主次之分；调性程度值是把该特征方向对齐后与另两个特征共同合成的连续潜变量。两者搭配的意义在于把全局偏离均匀的程度转化为可与其他时间、局部证据相加的同一方向分量，组合后得到跨作品可比的单一连续量。

教学例子可以这样想：一首全曲只用 C 大调音阶的作品，其音级向量会在少数位置突起，与均匀向量的夹角大，U 小、对齐后 U’大；而一首十二音平均出现的作品向量接近均匀，U 接近 1、对齐后 U’小。这里的例子只说明计算方向，不附加论文未报告的具体数值。

相邻窗是否还在同一中心：时间稳定性与局部清晰度

第二个特征是调中心时间稳定性，记作 S。它回答随着音乐推进，模型推断的调中心是否持续。每个窗先用窗内分布与 24 个模板的相关最大者确定局部调中心，再取相邻两窗对应模板之间的皮尔逊相关，最后在全曲平均。均值高说明调中心模板变化小，时间连贯；低说明频繁或大幅更换推断中心，时间相干弱。

论文给出的对照例子是调性片段的四窗序列为 C 大调、C 大调、C 大调、G 小调，相邻模板相关为 1.000、1.000、0.243，平均 S 为 0.748，而无调性片段序列为 G 小调、B 小调、E 小调、C 大调，相邻相关为负 0.005、0.340、0.536，平均 S 为 0.290，这个差距说明 S 确实抓住了持续性的差异。第 3 个特征是局部调性清晰度，记作 C。它回答每个短片段本身像不像某个标准调。每个窗取与 24 个模板的最大相关为该窗的清晰度，再在全曲平均。同一组例子中调性片段四窗的最大相关为 0.883、0.866、0.689、0.655，平均 C 为 0.773，而无调性片段为 0.423、0.370、0.503、0.478，平均 C 为 0.444。

S 与 C 的计算代价主要是逐窗求 24 个相关，窗数随作品长度线性增长，但都是简单的向量相关，没有可学习的迭代优化。

调中心时间稳定性 × 局部调性清晰度： 调中心时间稳定性指相邻分析窗所估计调中心模板之间的平均相关，刻画调中心是否持续；局部调性清晰度指每个窗内音级分布与 24 个大小调模板的最大相关再平均，刻画局部片段像不像某个调。两者分工在于一个看窗与窗之间是否突变，一个看窗内部是否清晰，组合后能区分频繁转调但局部清晰与局部本身就模糊这两种不同的弱调性状态。

为什么要合成为一个值：方向对齐与因子分析的线性映射

3 个特征理论上相关，因为调性被视为统一的层级体系，感知研究也显示分布、稳定与强度判断共享潜在图式，但它们并不等价，论文因此把三者看作同一潜变量的互补指标，而不是互相替代。整合前先把特征向量写为包含对齐后均匀性、清晰度、稳定性的 3 维向量，再按样本均值与标准差标准化为 z。

整合用单因子模型，假设标准化观测等于载荷向量乘以潜变量 T 加上各自独立噪声，潜变量服从标准正态，噪声各有自己的方差，由此得到观测协方差等于载荷外积加对角噪声矩阵。参数用极大似然估计，固定潜变量方差为 1 并固定一个载荷为正以解决符号不定。得到载荷与噪声估计后，每个作品的 T 估计取经典回归因子分，即载荷转置乘以模型协方差逆再乘以 z，并校验符号使 T 与对齐后特征正相关。

结果是以估计样本为中心、越大越强的连续量，映射是透明线性的，优点是可解释、可复现，局限是论文明确承认当前只假设线性映射，非线性替代留待未来。

因子分析整合 × 方向对齐： 方向对齐指把均匀性取为 1 减均匀性，使三个特征都是越大表示调性越强；因子分析整合指假设三者共享一个均值为零、方差为一的潜变量并用极大似然估计载荷，再用回归因子分得到连续分值。两者搭配是因为方向对齐使三个特征更方便统一解释，而因子分析则给出透明的线性权重，组合后既保留多维互补又得到单一可比的调性程度值。

需要澄清的误解是，整合的目的不是为了让二分类成为可能，单个特征本身已有很强区分力，整合是为了不依赖单一侧面，尤其在过渡作品中不同侧面不同步时给出更平衡的综合。

本研究没有训练什么：实际估计与计算过程是什么

本研究没有训练神经网络分类器，也没有端到端学习调性表示，因此不存在冻结或更新网络参数、梯度经过哪些层、何时重置这类问题。实际发生的计算分为两类。第一类是逐作品的确定性特征提取：解析 MIDI、累积时长、切窗、求相关、平均，调用的是固定的 Krumhansl-Kessler 模板与 Temperley 相关的已有参照，没有从本研究数据中学习模板。

第二类是样本级的统计估计：在选定样本上计算 3 个特征的均值、标准差、协方差，再用极大似然做单因子分析，估计载荷与特异方差，最后对每个作品算回归因子分。这里的信息条件很关键：标准化参数与因子权重都依赖估计样本，换一批作品重新估计，零点与尺度会变，跨语料比较 T 时必须说明用的是哪套参数。论文还报告了是否适合 1 维整合的诊断：KMO 为 0.756，Bartlett 球形检验显著，第一主成分特征值为 2.644、解释约 87.67% 方差，因而保留一个因子。

这些诊断支持三者有足够共性可合成为 1 维，但不意味着三者可互换，分量仍需保留以解释差异来源。

在什么语料与规则下测：两个自建库与 EMOPIA 的用法

二分类基准共 196 个符号 MIDI 文件，其中 100 首调性钢琴片段选自 EMOPIA，96 首无调性来自第二维也纳乐派，EMOPIA 本身是当代调性传统内的钢琴演奏，因此两端对比的是稳定调性组织与高度半音化或后调性和声语言，论文明确说该库的目的不是做宽泛风格分类，而是检验能否区分两种根本不同的调性组织。

历史语料共 1561 首、21 位作曲家，从巴赫、斯卡拉蒂经海顿、莫扎特、贝多芬、舒伯特、门德尔松、肖邦、舒曼、李斯特、勃拉姆斯、柴可夫斯基、拉赫玛尼诺夫、瓦格纳、马勒、施特劳斯，到德彪西、斯克里亚宾、勋伯格、韦伯恩、贝尔格，来源包括 GitHub、MAESTRO、kunstderfuge 与 MuseScore，该库不用于分类，只用于连续分析。情绪分析用 EMOPIA，把第一、四象限合为正价，把第二、三象限合为负价，比较两组 T 的分布。

作为外部基线，论文实现了 Honingh 与 Bod 在 2011 年提出的窗口化替代分类算法：每 24 音一窗、步长 12 音，在每窗找出包含音数最多的全音阶、计数窗外音，全曲平均窗外音数作为分类分，超过阈值判为无调性；同一研究的另一套音程类别方法因按公开信息无法复现出报告性能，论文只报告前者以保证可复现。每个特征或方法的判定阈值都取在 196 首基准上使 F1 最大的样本内最优阈值，集成 T 的样本内最优截断为 0.06，高于等于判调性，低于判无调性，这是事后选择的结果，能否泛化到新数据尚未验证。

二分类判别 × 连续历史分析： 二分类判别指在 196 首调性与无调性作品上选阈值区分两类，检验模型能否抓住强弱两端的根本差异；连续历史分析指在 1561 首巴洛克到二十世纪初作品上看调性程度值的均值、离散与随年代变化，检验中间过渡态是否呈渐变。两者分工在于前者做受控验证，后者做纵向刻画，组合后才能说明模型既能分开两端又能描述中间的渐弱谱系。

两端分得有多开：二分类主结果与各分量的贡献

核心问题是模型在受控两端上能否分开，以及提升来自哪里、代价是什么。下表比较同一 196 首基准、同一使 F1 最大的选阈规则下各方法的结果，指标越大都表示越好，比较条件一致，数字保留原文精度。该表回答的是样本内区分能力，不是跨语料部署性能，阈值是事后选的，换语料需要重选，直接套用 0.06 在新数据上的效果尚未验证。

集成模型在该基准上准确率 0.9847、F1 为 0.9851、AUC 为 0.9985，优于 3 个单特征与替代算法，其中局部清晰度单特征已达 F1 为 0.9756、AUC 为 0.9977，说明局部贴合本身就是强信号，而时间稳定性单特征相对最弱，F1 为 0.9261、AUC 为 0.9472，但集成仍比最强单特征有小幅提升，代价是需要同时计算 3 个特征并依赖样本估计的线性权重。未胜出项也要看到：时间稳定性在小窗下区分力有限，且窗长从 4 到 20 音时其 AUC 在 0.947 到 0.965 之间波动，局部清晰度则始终在 0.99 以上，说明不同维度对参数与语料的敏感度不同，不能只看集成数字就认为 3 个分量同等重要。

历史是否呈渐弱谱系：作曲家均值与离散告诉我们什么

第二个问题是历史语料是否呈现从稳固调性经渐弱到瓦解的连续轨迹，以及该结论在什么条件下成立。论文按历史与风格分组画出每位作曲家的 T 均值与正负 1 倍标准差，零是估计样本中心，仅作描述性参照。巴洛克与古典作曲家均值为正且均值减标准差仍在零上，说明大部作品落在调性区，与共性实践调性稳定的叙述一致。

浪漫派中肖邦、舒曼、勃拉姆斯均值仍为正但下界跌破零，说明已有个别作品减弱，与半音化、远关系转调、延迟解决增多有关，李斯特是浪漫派中首个均值为负的例子，约为负 0.09，晚期偏离明显。德彪西、斯克里亚宾与勋伯格均值为负但上界仍为正，说明整体偏弱但仍有调中心残留，勋伯格均值约为负 0.55、标准差 0.652，跨度从早期调性到自由无调性再到十二音。

第二维也纳乐派的贝尔格与韦伯恩均值与上界全为负，韦伯恩均值约为负 0.99，为样本最低，表明其采样作品整体落在无调区。综合看是从全正区间经正均负下界、负均正上界到全负区间的连续谱，与音乐史叙述吻合，但必须强调这是语料级趋势，不是每位作曲家或每首作品的决定性序列，时期标签仍有语境价值，T 揭示的是标签遮蔽的作品间与个体内变异。

作曲家内部随年代走吗：四人的斜率与情绪关联的强弱

第三组问题更细：同一作曲家内部 T 是否随创作年份系统变化，以及 T 与情绪效价是否有关，证据只支持多弱的解释。下表整理瓦格纳、马勒、施特劳斯、勋伯格 4 人在采样语料中年份与 T 关联的斜率与显著性，比较的是同一采样内的时间趋势是否存在，条件是各作曲家内线性拟合，指标是斜率方向与 p 值，负斜率表示随年份减弱，但采样偏差与作品选择会影响结果。

只有马勒与勋伯格在该采样中达到统计显著，勋伯格的例子从 1899 年升华之夜接近零经 1908 年作品 11 约负 1.01 到作品 33a 约负 0.7，标准差大反映风格跨度，马勒晚期交响曲去稳定化的观察与之相容，而施特劳斯与瓦格纳标准差虽大但无显著趋势，与二者扩展调性但未拆解调性的看法相容，论文明确把这些当作基于模型输出的语料统计模式，而非对作曲家风格的定论。情绪方面，正价组 555 首均值 1.033、标准差 0.319，负价组 516 首均值 0.965、标准差 0.359，单侧曼惠特尼 U 为 155450、p 为 0.00768，效应量 r 为 0.074，说明正价组 T 更高但效应很小，只能说存在弱而统计可靠的关联，不能把 T 当作情绪的独立预测器，调式、速度、音区、节奏、力度与演奏表现都会交互影响。

哪些还没测到：语料、音频与线性假设的边界

论文明确列出的局限包括以下方面。首先是语料边界：当前只用了巴洛克到二十世纪初西方艺术音乐的符号 MIDI，没有测音频录音，也没有测爵士、流行或非西方调体系，推广到那些领域需要重新验证，来源未确认或链接不可达不是技术缺陷，只是本次无法确认可达。其次是整合假设：当前是从观测特征到 T 的线性映射，未来可探索非线性，但原文没有报告非线性一定更好，不能补写拿掉线性后必然怎样。

再次是情绪结论的边界：EMOPIA 内的弱关联不能推广为因果，缺的是控制调式、速度等多变量的实验与行为、神经生理验证，论文只建议把 T 作为连续协变量或用于参数化挑选刺激。最后是阈值与零点的用法：0.06 是最优样本截断，零是样本中心，都不能当作跨语料通用的调性与无调性分界线，换估计样本就要重估均值、标准差与因子权重，否则比较会失真。

要复现第一步做什么：文件、参数与开源状态的区分

值得尝试的时机是当你手上有符号乐谱并想比较不同作品、作曲家或时期的调性强弱渐变，而不是只要一个调名或二标签时。

复现第一步是先拿到 MIDI 并按原文固定计算：整首音级时长分布求与均匀分布的余弦相似度，切 4 音窗、步长 2 音逐窗求 24 模板相关以得到 S 与 C，再用同一估计样本的均值、标准差做标准化并套用极大似然估计的载荷算回归因子分，同时校验符号使 T 与对齐特征正相关。关键超参数与信息条件要保留：窗长 4、步长 2、24 个 Krumhansl-Kessler 模板、皮尔逊相关、样本依赖的标准化与因子参数。

关于可获得性要分开说：论文正文给出匿名代码库链接并称包含特征提取、因子整合、MIDI 语料与分析脚本，但本次只依据论文原文与官方原图核对，没有实际验证该链接当前可用、代码可运行或权重可下载，因此不能写作者资源已公开或系统可运行，需要补的验证是独立拉取代码、重算 196 首与历史语料的特征，并在新采样上重估权重后看排序是否稳定。

综合判断：什么时候用、能说什么、还缺哪项验证

综合起来，这个多维模型把全局是否集中、时间是否持续、局部是否清晰 3 个可解释量合成为一个连续的 T，在两端区分上达到接近完美的样本内性能，在历史语料上呈现从全正经交叉到全负的渐弱谱系，在个体内对马勒与勋伯格显示随年份下降，在 EMOPIA 中显示与正价的弱关联。这些结论成立的条件是符号 MIDI 输入、西方共性实践到早期现代主义语料、同一估计样本下的标准化与线性权重，以及事后选阈的评估规则。

教学上可以这样复述关键步骤：先算整首分布与均匀的距离，再逐窗找最像的调并记录像的程度与相邻窗换调的幅度，最后把三者同向标准化后线性加权为 T。它不替代调名估计，也不替代时期标签，而是提供跨作品可比的连续标尺。还缺的验证包括音频泛化、其他音乐传统的测试、非线性整合的对照，以及把 T 作为协变量的多因素情绪实验，只有补上这些，才能判断连续调性强度在感知与认知研究中的实际增量。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1

• 评分模型：muse-spark-1.3-contributor

• 评分请求协议：openai_responses

← 返回 2026-10-11 语音/音乐/音频论文速递