Innovative Tech

ピアノの演奏動画から楽譜を自動作成　ディープラーニングで　京大が技術開発

公開 2021年03月17日 08時00分

更新 2024年04月02日 11時39分

著者

山下裕毅

[ITmedia]

印刷する

Innovative Tech：

このコーナーでは、テクノロジーの最新研究を紹介するWebメディア「Seamless」を主宰する山下裕毅氏が執筆。新規性の高い科学論文を山下氏がピックアップし、解説する。

　京都大学の研究チームが開発した「Non-Local Musical Statistics as Guides for Audio-to-Score Piano Transcription」は、Web上のピアノ演奏動画の音声データから楽譜を作成する、深層学習（ディープラーニング）を用いた自動変換システムだ。

ピアノ演奏動画の音声データから、それに適した楽譜を生成する

　システムは、3段階で構成される。1段階目は、入力された動画の音の信号に対してMIDIシーケンスを深層学習ネットワークで推定（Multipitch detection）する。ピッチ解析用とベロシティ推定用のネットワークを別々で学習し、その出力を組み合わせてMIDIシーケンスを合成する。2段階目は、MIDIシーケンスのオンセット／オフセット時刻をクォンタイズし、拍単位で表現（Rhythm quantization）。3段階目は、クォンタイズされたMIDIシーケンスをMusicXMLファイルに変換する（Score typesetting）。

　このままでも音符レベルでは高い再現性を達成しているものの、全体の音楽特性（テンポや拍子の誤認、小節線の位置）を誤って推定するケースが見つかった。そこで、この出力結果から、全体の音楽特性を推定するための後処理手法を新たに構築した。

　これにより全体の音楽特性が改善され、精度が向上したという、Web上で公開されているピアノ演奏動画の音声データから楽譜を生成するタスクにおいて、実用レベルの出力結果を実証したとしている。

　プロジェクトページでは、実際にYouTube動画から作成した楽譜のサンプルを複数公開しており、出力結果を確認できる。

印刷する