Musicologie analytique

Dans le domaine de la musicologie analytique, nous nous sommes focalisé principalement sur la question de l'analyse des intervalles musicaux, vu l'importance historique de ce sujet, notamment dans certaines civilisations anciennes, dans les textes arabes médiévaux et dans des périodes plus récentes avec l'étude des musiques non-européennes.

Music22

À des fins d'aide à l'analyse musicologique, nous développons le package Music22, écrit en Python. Plus particulièrement, notre but est d’analyser la musique modale (sur les plans mélodique et rythmique) à partir d’enregistrements sonores, en exploitant les outils du MIR. Pour des analyses à partir de données symboliques vous pouvez utiliser le package http://web.mit.edu/music21/.

Communications et participation à des séminaires

  • 15 octobre 2018 : Données numériques et analyse des musiques traditionnelles
    Séminaire LESC-CREM, Univ. Nanterre.
  • 5 juillet 2018 : Enregistrement sonore et archéologie des musiques arabes : du baron d'Erlanger à l'ère du Big Data
    Assilah Forum 2018, Maroc.
  • 19 juin 2018 : Vers un inventaire annoté des rythmes musicaux en Tunisie
    ICTM, Essaouira.
  • 29 juin 2017 : L'analyse de la musique modale enregistrée : nouvelles approches, nouvelles méthodes
    IXe Congrès européen d'Analyse musicale, Strasbourg.
  • 21 mars 2017 : Vers un dataset sonore des rythmes musicaux en Tunisie
    Atelier sur les perspectives interdisciplinaires et multiculturelles pour l'étude des rythmes et de l'improvisation III, Université de New York-Abu Dhabi.
  • 25 novembre 2015 : La transmission et l'étude des traditions orales à l'ère de l'Internet et du Big Data
    Colloque « Savoir-faire et transmission des musiques de tradition orale », Algérie/CNRPAH.
  • 19 juillet 2015 : Fonctions de densité de probabilité et coefficients de corrélation comme outils d'analyse mélodique
    Rencontre sur les maqām-s et ṭubūʿ-s de la Musique Arabe, Université Saint-Esprit de Kaslik.
  • 11 juin 2015 : A Simple Method for a Melodic Classification based on Pitch and Scale Analysis
    5th International Workshop on Folk Music Analysis, Université Pierre et Marie-Curie.
  • 28 novembre 2014 : Une introduction au MIR (Music Information Retrieval) : Domaines et applications
    Séminaire du Laboratoire U2S, École Nationale des Ingénieurs.
  • 10 novembre 2014 : « Musique et émotion » : une introduction
    Mini-symposium "TIC, musique, émotion et création" organisé par A3T (Association Tunisienne des Techniques des Télécommunications), avec la participation du British Council, Cité des Sciences.
  • 20 décembre 2010 : La musique assistée par ordinateur et les intervalles de la musique orientale
    Journées musicales de Carthage / Télécharger fichiers PureData, Bibliothèque Nationale de Tunisie.
  • 17 décembre 2008 : Analyse modale assistée par ordinateur : état des recherches et perspectives
    Colloque « analyse musicale » organisé par le CUNTIC, Institut Supérieur de Musique.
  • 12 mars 2008 : Objet musicologique et objet anthropologique : étude de complémentarités dans la détermination d'une identité musicale
    Colloque « musique et anthropologie », Institut des Arts et Métiers - Département Musique et Musicologie.

Vers une méthode d'analyse des intervalles

Ci-dessous un ensemble de fichier Flash que nous avions réalisé entre 2002-2004. Il s'agit de nos premières tentative de fichiers multimédias d'analyse. Lors de ces premières expérimentations nous étions appuyé sur le logiciel Praat afin d'obtenir les hauteurs fondamentales d'une mélodie (Pitch) à partir d'un fichier audio. La détermination d'une fréquence de référence (la fréquence de la tonique ou, le plus souvent, la note la plus présente) se faisait manuellement, et les autres fréquences étaient calculées selon les rapports épimores ((n+1)/n); les fréquences retenues sont les plus proches des fréquences réellement présentes, selon la courbe mélodique.

Mais certains problèmes fondamentaux restent présents :

  • Le choix des fréquences principales demeure subjectif;
  • Il est indispensable de pouvoir généraliser l'analyse de manière automatique à un corpus large de fichiers.

L'outil d'analyse Diastema

L'une des constatations les plus importantes de ces travaux de 2002-2004 est la possibilté de considérer une ligne mélodique convertie en une liste de fréquences fondamentales comme une série temporelle. Il est possible alors de penser à des méthodes statistiques afin de déterminer les fréquences principales, en considérant qu'une note musicale peut-être représentée par une fréquence.

À partir de ce principe, nous avons établi une première ébauche de l'outil d'aide à l'analyse modale, Diastema, programmé en langage R. Ce travail a été présenté à l'Insitut Supérieur de Musique de Tunis lors des rencontres du CUNTIC, « Approches conceptuelles et appliquées en analyse musicale comparée » en 2008 (texte non révisé de la communication). L'analyse de la fondamentale demeure réalisée par Praat; nous avons inclus également dans le script une segmentation automatique basée sur le niveau d'intensité. Voir par ex. les résultats obtenus à partir de cet enregistrement sonore de ʿAli al-Barrāq.

Il nous a semblé par la suite utile de traduire Diastema vers Matlab afin de tester certaines Toolbox-s, en intégrant l'analyse de la fondamentale. Nous avons fini par l'utiliser en conjonction avec MIRToolbox d'Olivier Lartillot. Ce travail a été présenté à Sfax dans le cadre du séminaire « Analyse du discours musical » (document utilisé pour la présentation).

On peut voir des applications de Diastema dans ma comparaison d'une mélodie dans trois villages du sud tunisien (ENIT sep. 2011 (fr) / CMAM dec. 2011), dans le mémoire de master de Mourad Bougares sur les chants de femme de Médenine (en arabe), et l'explication de son algorithme de détermination des notes principales dans le mémoire d'Aymen Brahem (en arabe). Prochainement, Diastema sera disponible pour le téléchargement.

Éléments bibliographiques

Gulati, Sankalp. 2016. Computational Approaches for Melodic Description in Indian Art Music Corpora. PhD, Universitat Pompeu Fabra, 2016.
Adams, N.H., M.A. Bartsch, and G.H. Wakefield. 2006. Note segmentation and quantization for music information retrieval. IEEE Transactions on Audio, Speech and Language Processing 14: 131–141. doi:10.1109/TSA.2005.854088.
Adams, Norman H. 2002. Automatic segmentation of sung melodies. Citeseer.
Ali C. Gedik, Barış Bozkurt, and Cem Çırak. 2012. A computational study on divergence between theory and practice of tanbur fretting. Journal of interdisciplinary music studies 6: 87–113.
Aoyagi, Takahiro. 2004. Sayr of Maqām Rāst: A performance rule of a melodic mode in arab music examined through a reconstruction task.
Bariş Bozkurt. 2012. Features for analysis of Makam music. In Serra X, Rao P, Murthy H, Bozkurt B, editors. Proceedings of the 2nd CompMusic Workshop; 2012 Jul 12-13; Istanbul, Turkey. Barcelona: Universitat Pompeu Fabra; 2012. p. 61-65.
Chen, C.-C.J., and R. Miikkulainen. 2001. Creating melodies with evolving recurrent neural networks. In International Joint Conference on Neural Networks, 2001. Proceedings. IJCNN ’01, 3:2241–2246 vol.3. doi:10.1109/IJCNN.2001.938515.
Conklin, Darrell. 2006. Melodic analysis with segment classes. Machine Learning 65: 349–360. doi:10.1007/s10994-006-8712-x.
Conklin, Darrell, and Ian H. Witten. 1995. Multiple viewpoint systems for music prediction. Journal of New Music Research 24: 51–73. doi:10.1080/09298219508570672.
Dannenberg, Roger B., William P. Birmingham, Bryan Pardo, Ning Hu, Colin Meek, and George Tzanetakis. 2007. A comparative evaluation of search techniques for query-by-humming using the MUSART testbed. Journal of the American Society for Information Science and Technology 58: 687–701. doi:10.1002/asi.20532.
D’Annunzio, David, and Kenneth Ning. 2012. Learning Classes of Melodies with a Recurrent Neural Network.
Efrat, Alon, Quanfu Fan, and Suresh Venkatasubramanian. 2007. Curve matching, time warping, and light fields: New algorithms for computing similarity between curves. Journal of Mathematical Imaging and Vision 27: 203–216.
Endo, Tsukasa, S.-I. Ito, Yasue Mitsukura, and Minoru Fukumi. 2008. The Music Analysis Method Based on Melody Analysis. In Control, Automation and Systems, 2008. ICCAS 2008. International Conference on, 2559–2562.
Eren Özek. 2012. 07-Eren-Ozek-2nd-CompMusic-Workshop-2012.pdf. In Proc. of the 2nd CompMusic Workshop (Istanbul, Turkey, July 12-13, 2012). Istanbul, Turkey.
Frieler, Klaus, Frank Höger, and Jörg Korries. 2014. Meloworks - an integrated retrieval, analysis and E-learning platform for melody research. http://www.mu-on.org/frieler/docs/frieler_meloworks_jahrbuch2011.pdf. Accessed February 15.
Frieler, Klaus, and Daniel Müllensiefen. 2005. The simile algorithm for melodic similarity. Proceedings of the Annual Music Information Retrieval Evaluation exchange.
Féki, Soufiane. 2006. Musicologie, Sémiologie ou Ethnomusicologie Quel cadre épistémologique, quelles méthodes pour l’analyse des musiques du maqâm ? Eléments de réponse à travers l’analyse de quatre taqsîms. Paris: Sorbonne - Paris 4.
Grachten, Maarten, Josep Ll Arcos, and Ramon Lopez de Mantaras. 2004. Melodic similarity: Looking for a good abstraction level.
Gómez, Emilia, and Perfecto Herrera. 2008. Comparative analysis of music recordings from western and non-western traditions by automatic tonal feature extraction.
Hähnel, H, and K Schellnack. 1975. [The Madura-foot -- differential diagnosis of the injured foot]. Beiträge zur Orthopädie und Traumatologie 22: 109.
Ioannidis, L, E. Gómez, and P. Herrera. 2011. Tonal-based retrieval of Arabic and Middle-East music by automatic makam description.
León, Pedro J. Ponce De, and José M. Iñesta. 2004. Statistical description models for melody analysis and characterization. In In Proceedings of the 2004 International Computer Music Conference, 149–156.
Li, Ming, and Ronan Sleep. 2004. Melody classification using a similarity metric based on kolmogorov complexity. Sound and Music Computing: 126–129.
Marsden, Alan. 2007. Timing in music and modal temporal logic. Journal of Mathematics and Music 1: 173–189. doi:10.1080/17459730701666887.
Marsden, Alan. 2012. Interrogating Melodic Similarity: A Definitive Phenomenon or the Product of Interpretation? Journal of New Music Research 41: 323–335. doi:10.1080/09298215.2012.740051.
Martínez, Emilio Molina. 2012. Automatic scoring of singing voice based on melodic similarity measures.
Meek, Colin, and William P. Birmingham. 2004. A comprehensive trainable error model for sung music queries. J. Artif. Intell. Res. (JAIR) 22: 57–91.
Melchior Fracas, and Paul Fournel. Les mélodies de Markov. Les mélodies de Markov.
Mongeau, Marcel, and David Sankoff. 1990. Comparison of musical sequences. Computers and the Humanities 24: 161–175. doi:10.1007/BF00117340.
Mullensiefen, D., and M. Pendzich. 2009. Court decisions on music plagiarism and the predictive value of similarity algorithms. Musicae Scientiae 13: 257–295. doi:10.1177/102986490901300111.
Müllensiefen, Daniel. 2009. Fantastic: Feature ANalysis Technology Accessing STatistics (In a Corpus): Technical Report v1. 5.
Müllensiefen, Daniel, and Klaus Frieler. 2004. Optimizing measures of melodic similarity for the exploration of a large folk song database. In Proceedings of the 5th International Conference on Music Information Retrieval. Barcelona: Universitat Pompeu Fabra, 274–280.
Müllensiefen, Daniel, and Klaus Frieler. 2006. Evaluating different approaches to measuring the similarity of melodies. In Data Science and Classification, 299–306. Springer.
Müllensiefen, Daniel, and Klaus Frieler. 2007. Modelling experts’ notions of melodic similarity. Musicae Scientiae 11: 183–210.
Müllensiefen, Daniel, and Geraint Wiggins. 2011. Polynomial functions as a representation of melodic phrase contour. In Systematic Musicology Empirical and Theoretical Studies, 63–88. Hamburger Jahrbuch Für Musikwissenschaft. Frankfurt am Main; New York: Peter Lang.
Naomi Cumming. 1992. Narmour’s Theory : Review by: Naomi Cumming 11.
Pearce, Marcus T. 2011. Time-series analysis of Music: Perceptual and Information Dynamics. Empirical Musicology Review 6.
Pearce, Marcus T., Daniel Müllensiefen, and Geraint A. Wiggins. 2010. Melodic grouping in music information retrieval: New methods and applications. In Advances in music information retrieval, 364–388. Springer.
Pearce, Marcus, and Geraint Wiggins. 2004. Improved Methods for Statistical Modelling of Monophonic Music. Journal of New Music Research 33: 367–385. doi:10.1080/0929821052000343840.
Sajjad Abdoli. 2011. Iranian traditional music Dastgah classification. In 2th International Society for Music Information Retrieval Conference (ISMIR 2011).
Salamon, Justin, and Emilia Gómez. 2012. Melody extraction from polyphonic music signals using pitch contour characteristics. Audio, Speech, and Language Processing, IEEE Transactions on 20: 1759–1770.
Sankalp-Gulati-slides-3rd-CompMusic-Workshop.pdf.
Sinanan, Samantha. 2010. The future is here: query by humming as an example of content-based music information retrieval. Library student journal 5.
Temperley, David, and Daphne Tan. 2013. Emotional connotations of diatonic modes. Music Perception: An Interdisciplinary Journal 30: 237–257.
Volk, A., and P. van Kranenburg. 2012. Melodic similarity among folk songs: An annotation study on similarity-based categorization in music. Musicae Scientiae 16: 317–339. doi:10.1177/1029864912448329.
Yoshihara, Y., and T. Miura. 2005. Melody Classification Using EM Algorithm. In , 1:204–210. IEEE. doi:10.1109/COMPSAC.2005.98.
Ünal, Erdem, Barış Bozkurt, and M. Kemal Karaosmanoğlu. 2012. N-gram based Statistical Makam Detection on Makam Music in Turkey using Symbolic Data. submitted to ISMIR.
anas@ghrab.tn