论文部分内容阅读
摘要：笔者以中国乐派为例，思考如何利用AI技术，从音响特征方面探究中国风格的音乐作品。本文首先对于中国乐派的概念、现状和发展方向进行了阐述，并提出了探究其音响特征的原因，然后对于AI技术在音乐领域的应用进行了介绍。最后对基于AI技术在相关领域成型的经验如何应用在研究中国乐派音响特征方面进行了探讨，列举出以“中国乐派音乐识别分类”“中国民族乐器”“中国乐派作品创作”为三个切入点。
关键词：中国乐派 AI 人工智能音乐 音响特征
中图分类号：J605 文献标识码：A 文章编号：1008-3359（2020）05-0029-06
近些年来，AI技术的发展呈迅猛之势，对我们生活的方方面面、各个领域已经或即将产生变革性的影响。AI在音乐领域目前的应用诸如：音频识别、音乐检索、AI作曲、虚拟歌手等等也已经取得了不俗的成绩。相关研究的核心是都是建立在对于音乐音响特征相关数据的提取和运用，基于此思路，如若AI技术运用在中国风格音乐方面，也势必将在音乐分类，音乐创作，声学，乐器学等领域大有作为。而“中国乐派”作为2016年被提出的新音乐学派概念，对于“新时代”下的中国音乐而言是非常具有代表性的，能利用AI技术对其音乐音响特征方面进行研究，将为中国乐派的音乐特征分类、创作、教学、推广提供帮助，进而也为AI技术在中国风格音乐研究领域积累一些经验，提供一些思路。
一、中国乐派的概念界定
中国音乐学院院长王黎光指出：“中国乐派即中国音乐学派的简称。是以中国音乐元素为依托、以中国风格为基调、以中国音乐家为载体、以中国作品为体现的音乐学派。”[1]
在“中国音乐研究基地2019年学术年会”上，北京大学高丙中教授的主旨发言《中国乐派的定位与内涵》进一步定义了“中国乐派”。他指出，“中国乐派”是以中国音乐元素为依托，以中国风格为基调，以中国音乐人为载体，以中国音乐作品为体现，以中国人民公共生活为母体的音乐派别。陆续又有学者指出中国乐派有狭义和广义之分，也有深浅不同，成就高低，以及历时、共时的不同含义。[2]
笔者所理解的“中国乐派”是一个多元一体的概念，许多著名乐派已在音乐历史中奠定了崇高的地位，如“俄罗斯民族乐派”“维也纳古典乐派”“威尼斯乐派”等，提到“俄罗斯民族乐派”人们想到了五人团、柴可夫斯基，提及“维也纳古典乐派”人们首先想到的是海顿、莫扎特、贝多芬，提及“威尼斯乐派”人们首先想到了意大利歌剧。不管这些乐派是受益于伟大作曲家也好，还是受益于艺术形式的融汇创新也好，最终还是归结于它们都在其所属时代抓住了歷史发展的机遇。“中国乐派”是当今基于全球化语境下所提出的概念，所以创造性的继承和发展它是当今每一个中国音乐家都为之努力的目标。
二、中国乐派发展现状及发展方向
中国乐派有狭义和广义之分，狭义的中国乐派是在中国社会、文化生态环境中形成的，特色独具的小的或较小的乐派。他们的艺术风格和特色，既有自己的共性特点，有一定的社会影响力，但相互间又可以彼此清楚地区分开来，如一些地方戏，民间音乐等等。[5]本文以下讨论的中国乐派的现状与发展，是指广义范围内并带有深层次高标准的中国乐派，比如在中国音乐史上，特别是近代及当代较为有影响力、或具有划时代意义的中国音乐名家的中国乐派作品。
首先从思想上，不乏有中国音乐家就对于本民族音乐派别的形成和发展提出过诸多思考，早在1934年10月21日黄自所撰写的一篇文章《怎样才可产生吾国民族音乐》就坚决的回答了音乐创作中国风格的形成的历史依据与发展道路。“民族音乐革新派”代表的刘天华先生，说过“一方面采取本国固有的精粹，一方面容纳外来的潮流”，他指出在“东西的调合与合作之中，打出一条新路来”。我国优秀的音乐家从未放弃对于独立于欧洲音乐学派的中国风格的探索，在这些前辈思想感召下，也经过许多中国音乐家如冼星海、江文也、马思聪、贺绿汀、马可、张肖虎等不断的努力，中国音乐作品在世界范围内的影响也在不断扩大，这着实体现了我国音乐家砥砺前行的艺术探索精神。
现如今，中国的音乐创作者们对于西方创作体系的了解和运用可谓已经到达了一定高度。但在“中国乐派”的建设方面，我们仍在前进和探索的路上，并且在这条道路上我们可能还要走的很长。当今时代环境与历史上代表西方艺术成的种种乐派的发展环境已是截然不同。这种不同体现在两个方面，首先我们的时代变了，当今已是全球化的时代，科技的发展，人与人之间的信息互联早已发生天翻地覆的变化。“物质决定意识”，时代的进步，信息的多元化传播，必将造就不同的音乐形态。
其次，我们目标也是在全球化语境下构建新“中国乐派”，这意味着我们要更加具有包容并进的精神，既不能摒弃传统，又要面对日新月异的艺术潮流的冲击，还需要拥抱变化以此不断去快速适应时代赋予我们新的技术成果，并服务于艺术创作。只有这样，“中国乐派”才能走向引领当代审美文化的高峰，再现中国音乐的灿烂辉煌。
代表中国民族音乐最高学府的中国音乐学院提出了“承国学，扬国韵，育国器，强国音”的办学理念。这向我们传递了坚定不移的发展本民族音乐的决心，正如习近平主席所说：“优秀的传统文化，是中华文明的‘根本’和‘精神命脉’。”中国音乐学院就是正在承载这一历史使命的学府之一。我认为，在未来中国乐派的发展道路上，本民族的音乐，特别是中国民族乐队的作品将是一个不可忽视的重要体裁。除此之外，中国乐派交响乐作品也是未来发展中的一个重要组成部分。真正的高标准的乐派，必须要有一批优秀的名家并有在世界范围内有影响力的作品，交响乐及中国民族乐队都是呈现音乐作品的最高表现形式之一。由此可见，中国乐派的发展一定是“兼容并进，包容创新”的，也势必要朝着培养优秀的民族音乐家，创造在世界范围内有影响力的民族音乐作品的方向去发展。 三、为何要研究中国乐派的音响特征
这里所指的音响特征是从音乐听感角度出发，去探寻和总结音乐给人带来某种普遍主观听感的关键要素。音乐终究是听觉的艺术，历史上著名乐派的成功，无一例外都有其鲜明的特征，相关的研究也层出不穷，从作曲技法到民族历史甚至社会学等方面，都已有非常丰硕的成果。近年来，随着科学技术的发展，越来越多的国内外学者都开始从音乐音响层面对不同乐派、不同风格的作品进行研究，以此来开启一个新的视角更好的论证和发展它们。
中国乐派是一个尚在发展道路上的时期，并处在全球化和科技革命浪潮迭起的环境中。若以研究音响特征为切入点则有如下几点益处：
其一， 中国乐派概念可大可小，有狭有广，层次有深有浅，成就有高有低。若以音响特征为切入点对其进行研究，可以为该乐派的建设提供多元化的理论支撑。
其二，研究中国乐派的音响特征，特别是对于民族乐器层面的音响特征研究，可使更多的创作者、演奏者受益。
其三，研究中国乐派的音响特征，并参照西方乐派音乐成功的音响模式进行比对，可以从听感角度解释中国乐派音乐的特殊性，其次可以汲取西方的音响模式成功的要素。
四、AI技术应用在音乐领域的优势
科技发展对于音乐文化的影响是巨大的，参考“电子音乐”的发展历程就不难感受这一点。人工智能的发展速度及影响力更是“来势汹汹”，根据加速回报定律（Law of Accelerating Returns）和“摩尔定律”（Moore’s Law），人工智能的发展将超出一般大众所感知事物发展的速度.因此，快速适应时代的发展，并提前张开双臂迎接它，我相信是任何领域的顶尖学府走在学科前沿的重要原因。
AI 技术目前已经在许多领域有非常成功的应用，现阶段常用的AI技术无外乎解决以下几种问题：第一是分类识别的问题，第二是预测的问题，第三是生成的问题。在音乐领域，AI已经在辅助解决一些相关问题并取得了丰富的成果，例如：音乐检索;乐谱识别;音频识别，属于AI分类识别的问题。音乐智能推荐属于预测问题。AI作曲，虚拟歌手，乐器3D打印复原属于生成问题。
人们对于AI技术在音乐领域的已有成果，以及对于未来前景期望都持非常肯定的态度，如果说交通工具是人类身体的延展，那么AI就是人脑的延展。目前一些“弱人工智能”已经在音乐领域得到了很广泛的应用，它可以更有效率的完成需要人脑“机械化”重复完成的工作。就本文想要达到探索中国乐派音响特性这一目的而言，AI可以通过自身学习，在丰富多样的中国音乐中识别相关特征，储存海量的数据。在我们遇到不好下定论的音乐问题时，给予我们更多的参考，例如利用AI的音频识别技术，我们很容易能够分析一件乐器是否具有完备的音响效果，一首民歌的分类，唱腔的识别，流派的归纳等等。其实不仅如此，我们知道AI深度学习技术需要基于大量的数据才能生成结果，在前期构建用于AI学习资料的数据库过程中，也反向的促使我们对于想要研究中国乐派中的某一对象进行大量的调研和数据整合，这个过程本身也具有极大的价值。
除了帮助人脑完成“机械化”的工作外，随着未来“强人工智能”的发展，音乐“生成类”的应用将更加常见，甚至有可能将音乐情感感知和识别技术继续深化，这就为我们提供了更大的想象空间。比如，我们将带有中国乐派音响特性的作品让AI加以学习，它可以为我们输出各种版本的音响样本;将文字、图片、影像、或者灯光等其他媒介的参数通过迁移数据映射到音乐参数上，让AI自身在学习过程中总结复杂的事物规则，最终为我们模拟出融汇多种元素的超前艺术表现形式。
五、AI技术探索中国乐派音响特征的切入点
笔者认为AI技术可以在研究中国乐派音响特性这一领域大有作为，具体切入点有如下三个方面：中国乐派音乐识别分类问题;中国民族乐器音响特性问题;中国乐派音乐多维度创作问题。
（一）中国乐派的音乐识别分类问题
首先说中國乐派的音乐识别分类问题，如上文所述，中国乐派可大可小，可狭可广，无论从时间、空间或音乐家的维度都包含多重种类。人们在欣赏中国乐派民族音乐的时候，特别是一些中国少数民族音乐例如藏传佛教音乐、维吾尔族十二木卡姆、花儿等，如果不是相关领域的研究者，有时很难将准确将其归类，也无法快速的找寻到相似的作品。如果能够利用AI来深度学习技术来学习某类中国乐派音乐音响的特征，那么对于该类音乐的识别和传播都会带来极大便利。参照一些AI技术对于国外音乐的分类识别如蓝调（blues）、古典（classical）、乡村（country） 、迪斯科（disco） 、嘻哈（hip-hop）、 爵士（jazz）、金属（metal）、 流行（pop）、 雷鬼（raggae）、摇滚（rock）的成功案例，可以将其运用到中国乐派的分类识别当中去。
具体方法是首先对要研究的某一类中国乐派音乐作品进行音乐库的建立，也就是说对于研究对象进行各种不同音乐片段收集，具体实验标准可参照Tzanetakis在2002年对西方音乐进行分类实验时使用的西方音乐流派库。[26]对于中国乐派民族音乐进行10组左右的选择，每组由50个代表性的音乐片段组成训练集，25个用于验证的验证集，25个用于测试的测试集。下一步对于音响信号进行预处理，比如预加重、分帧、加窗等，这样做的目的是让音乐的音响特征在接下来的分类中更有效。接下来就是音响特征的提取，这是对于音乐识别分类重要的一环，在这一环节实际上可研究的角度有很多，（正如上文所说，对于音乐专业背景的人来说，对于特定种类的中国民族音乐进行音响特征提取的过程本身就具有相当大的价值，可以为该音乐种类的研究提供很多客观数据）目前，笔者认为对于中国乐派音乐音响特征的提取可以有两种思路，这两种思路对应了下一步不同的人工智能学习方法。
我们可以对它的时域特征、频域特征、倒谱域特征等进行提取，运用一些比较“传统”的分类识别任务的方法中去，比如决策树，支持向量机，逻辑回归等。这种分类通常是有监督的训练，具体过程大致是先进行音响特征提取，然后把他们标签化，最后AI学习音响特征和音乐类别的关系，从而实现识别分类。 先提取原始音响特征，也就是音乐信号底层特征提取。比如FFT、MFCC、MPC等。特别是梅尔多谱系数（Mel-phon Cofficients，MPC），简称MPC，这个特征是Vincent P在2010年发表的文章中提出的特征[25]，提取该特征是因为，它更适合在级联的网络结构中对音乐流派进行识别分类。下一步可以通过目前比较流行的深度信念（置信）网络（Deep Belief Networks）进行算法识别。
以上两种方法在对于中国乐派音乐分类识别问题中各有优劣，可谓“鱼和熊掌”。第一种是有监督的，通过人工提取各种音乐音响特征包含底层特征和高层特征，并根据具体的对象进行具体的建模。这种方法研究的过程对于该类音乐特征会收集很多客观数据，分类器和算法可能都是特定的，虽然通用性较差，但是笔者相信这一过程中一定有有利于音乐专业背景的研究者从音乐学的角度去得出某种结论。第二种方法从实践应用角度更为理想，因为只需要输入音响的底层特征，AI网络就会进行数据分析和学习，学习的过程是“无监督”的，对于音响本质的抽象特征是如何判断的，或许AI有自己的一套“心法”。当然，目前利用AI深度学习技术对于中国乐派音乐进行分类识别方面的研究还尚未实践，还需要更多的研究者对其进行探究，总结经验。
（二）从中国乐派民族乐器方面入手
一个乐派的音响特征，乐器的使用以及配器手法会对其产生非常大的影响。所谓“弓欲善其事，必先利其器”，那些西方著名乐派的产生，一定程度上要归功于西方有较为科学统一、标准化的乐队编制以及乐器制造标准。实际上国外对于管弦乐器声学方面研究开展的也比较早，并取得了研究成果。如J. Meyer的著作《音乐声学与音乐演出》对西洋管弦乐团中所有乐器一一进行了声学分析，并对其在舞臺上的声音强度、摆位等问题进行研究。[20]客观科学的乐器声学研究加上源源不断的商业化实践是造就西方管弦乐队至今旺盛生命力的原因之一。
笔者认为，为中国民族乐器创作的优秀作品，必将更有机会成为中国乐派的代表作。对于中国民族乐器的音响特征方面，近些年来越来越多的相关专家学者对其进行了研究，并取得了不俗的成果，2008年由韩宝强教授任课题组组长的文化部科技项目《中国民族乐器音响标准库》项目正式启动，选取了涵盖拉弦、弹拨、吹管、打击乐各声部的20件代表性民族乐器，经过样本采集、主观评价、数据分析以及数据库构建等阶段，形成了《中国民族乐器音响标准库》。[8]2016年由中国音乐学院主办，“中国乐派”管弦乐队音响模式探索研讨会在北京召开，付晓东教授对其所主持的国家社科基金艺术学项目“中西管弦乐器声学特征比较研究”进行了阐述，指出了当前民族管弦乐队中的乐器问题，比如特征音区划分模糊，声学性能难以定义，音响匹配难以控制、乐器数量选择的不确，整体音响“尖、扁、杂”的问题等。[4]
AI技术的出现我认为可以很好的辅助解决一些中国乐派民族乐器的音响问题，比如中国民族器乐的单件乐器音色标准问题以及乐器组合合理性的问题。
中国民乐的乐器制作标准化一直以来是都是一个重要的议题，一件完备的民族乐器应当兼具“和谐性”又不失其个性。我们可以提取我们认为品质较高乐器的声音特征作为原始特征样本，利用AI深度学习技术，学习该种乐器各种不同技法的音频素材，今后若有相关的乐器需要进行测评，那么AI系统就会根据我们之前较高品质的样本进行比对并输出结果。比如，想知道一把二胡是否达到较高品质的标准，就可以把其音响素材输入给AI系统，AI会通过之前学习过的各种二胡声音素材进行音频识别，并给出我们测评的二胡声音与高品质二胡声音的差异性，相关技术流程其实已在语音识别方面屡见不鲜，手机系统当中的语音助手其实就是同类别的成功案例，我们需要做的是把AI学习人类语言改为学习音频素材，把语音助手与用户的输出对话，转为输出对于这件乐器性能的测评报告。当然，该方案虽然在理论上已经在语音识别方面取得成功，但放在中国乐器乐器音响性能方面也会存在一定难度，比如，乐器声音质量的需要进行主观评价调研，同种乐器不同的音频素材的样本采集需要相当的时间，乐器不同的技法的音响特征可能需要建立不同的AI学习模型等等。
利用AI技术也可以辅助解决有关中国乐派民族乐器组合中音响合理性的相关问题。韩宝强教授2016年在“中国乐派”管弦乐队音响模式探索研讨会上提出，民族音乐的创作方面现今最大的问题是缺少一本具有科学性且“中国特色”的乐器法与配器法的教材。笔者认为，有关中国民族管弦乐队配器或者说音色组合的问题，需要对于各民族乐器组合进行大量相关实验，从乐器的数量，不同乐器音色搭配进行多方面的试验，在学习西方管弦乐队的音响模式的可取之处的同时尽可能发挥中国民族乐器的特色。在中国民族乐器音响声学研究方面，我们已经有了不少相关研究，不少学者开始从民族乐器的客观音色属性角度考虑民族管弦乐队音响匹配度的问题。但是在有关音色匹配问题的具体实践过程中仍有很大难度，主要原因是需要大量的时间和人力对不同音色组合的声音进行实验，既要有场地的限制，还要从作品的角度考量，并且要结合主观调研，最终才能给出准确的结论。如果利用AI技术，则可以加速这一探索过程，比如我们利用现有《中国民族乐器音响标准库》的数据（或者依照实际需要采样相关素材），根据相关算法进行建模，参照西方的管弦乐音响模式，把不同的音色进行配比组合，输出不同结果，最后结合主观评价得出结论以供参考。上述流程的底层逻辑，其实是基于统计学的范畴，在图片生成领域已经不是新鲜事了，比如几年前就有人利用AI深度学习技术，将很多张人脸的照片交给AI进行学习，AI根据这些图片的特征会自动生成出一张新的人脸，而这是在真实世界不存在的人脸。具体应用在民族乐器组合音色试验方面，笔者认为可以采取如下方法，首先找一段比较有代表性的中国乐派作品的乐谱，用西方管弦乐队当中公认的音响匹配度较高的乐器组或某些乐器组合进行演奏，以此作为AI输出结果的参照。然后将民族管弦乐中的某些乐器组或乐器组合的音频素材进行整理，并利用采样软件映射到MIDI信号中去，通过AI深度学习，给出最接近我们刚刚选取参照结果（也就是西方管弦乐队中音响匹配度较的高音色组合）的不同方案，并也以MIDI信号的形式进行输出，下一步需要对于给出方案的可行性进行主观评价，并得出结论。 不难看出，上述方案不受场地空间限制，不受时间限制，为我们省去组织乐手对于不同乐器进行组合演奏和参照比对的大量时间，同时也可以把相关学者对于民族乐器音响匹配度的理论假设加以实践。但该方案实施也有难点，第一是谱例的选取需要精心挑选，尽量具有通用性。第二是最终的方案如何平衡音响“和谐”与中国乐器“特点”的保留。
（三）有关中国乐派多维度创作方面
AI技术可以用于辅助中国乐派作品创作，为创作者提供灵感，也为将来中国乐派音乐多维度、多媒介的展現提供基础。人工智能作曲（Artificial Intelligence Composition） 简称AI 作曲，隶属于算法作曲的范畴，是运用人工智能算法进行机器作曲的过程，以使人（或作曲家）在利用计算机进行音乐创作时的介入程度达到最小。[21]实际上，AI作曲（特别是单旋律作曲）的底层逻辑是“遗传算法”，举个例子，我们今天常见的打字“输入法”自动联想功能，就是非常典型的案例，而在AI作曲方面，只不过我们把打字自动联想，换成了音乐音符预测。近些年来，利用混合算法的AI技术，准确的抓住某类作品的音响特征，并生成相似风格的作品。例如：2016年2月，第一部由算法创作的音乐剧《越过墙垣》（Beyond theFence）在伦敦上演;2016 年 6 月，谷歌公司研发的机器学习项目马真塔（Magenta）通过神经学习网络创作出一首时长90秒的钢琴曲;同年9月，索尼计算机科学实验室利用人工智能程序创作了一首披头士音乐风格的歌曲《爸爸的汽车》（Daddy's Car）。2019年10月11日由深圳交响乐团全球首次公演AI交响变奏曲《我和我的祖国》，这是由中国平安人工智能研究院构建的首个交响乐创作模型。
通过查阅文献梳理人工智能作曲的发展历程可看出，人工智能作曲在早期存在算法种类不同，作品风格单一，但随着时间发展，各种算法组合被逐渐应用，风格也逐渐走向多元化，中国平安人工智能研究中心首部交响变奏曲就是一个非常好的成功案例。笔者认为，虽然目前AI作曲在中国乐派的案例还比较稀缺，但中国民族音乐非常丰富，收集中国乐派音乐作品（民族管弦、室内乐、宫廷乐队、小乐种等）将“节奏、和声、对位、调式等音乐数据进行AI训练（强化学习），改善已有AI作曲的算法，即可推出中国乐派音乐体裁辅助作曲、自动伴奏算法。这样即能够从数据特征的角度总结中国乐派音乐作品中的特点，同时为作曲家提供不同的创作灵感和声音参考。
AI除了通过学习中国乐派音响特征可以服务于创作之外，未来利用AI技术创作多维度，多媒介的中国乐派作品才是最终目标。笔者在研究生期间，创作并在中国音乐学院歌剧厅成功上演了一首带有实验性质的MIDI音乐作品，利用原声乐器、MIDI乐器和三维模型互动作算法结合，最终完成这首双媒介的作品，如图一。
这是MIDI音乐的多媒介展现的实验性作品，但未来我相信AI技术会在音乐情感识别，人机交互，结合诸如视觉、听觉、体感等多渠道信息来辅助创作中国乐派音乐，甚至拓宽中国乐派音乐的表现形式。而AI学习中国乐派作品的音响特征，是这一切的基础。科技以人为本，技术服务于艺术，更多维度的表现手法也一定能丰富音乐作品表现力。
六、结语
人工智能时代的到来已经是不可逆转的趋势，习近平总书记在党的十九大报告中指出，“要将人工智能的发展提升到国家战略的高度。”人工智能在音乐领域的应用已经取得了不俗的成绩，并且有关人工智能音乐的教育也逐渐在各地展开，2019年中央音乐学院成立人工智能音乐系，首招人工智能与音乐信息科技方向博士。同年上海音乐学院音乐科技系开设音乐人工智能课程。笔者相信，能够合理的利用AI技术，势必会加速中国乐派的发展，如果以探索音响特征方面入手，利用AI技术辅助人脑，对各项复杂的音乐数据进行深度学习，我们既能够在此过程当中总结出客观数据，又能对于想要试验的音响效果进行多维度的预测、生成，最终为中国乐派发展提供更加多元化的理论依据，并推动更多更好的中国乐派作品发展和传播。
参考文献：
[1]王黎光.兼容并包借鉴创新——建设“中国乐派”系列思考[J].中国音乐，2018，（01）.
[2]金野.中国乐派交响乐作品教学与研究实践 第一阶段（1916年至1949年）项目成果综述[J].音乐创作，2018，（10）.
[3]赵维平.“中国乐派”的史学理论建设——2016中国音乐学院“中国乐派与中国音乐节学术研讨会”发言[J].音乐创作，2017，（02）.
[4]勾宸.“中国乐派”管弦乐音响模式的探索——“中西管弦乐器声学特征比较研讨会会议综述”[J].人民音乐，2018，（07）.
[5]秦序.中国乐派的释义与历史定位[J].中国音乐，2019，（05）.
[6]王黎光.“纪念马可先生诞辰百年学术研讨会”院长致辞[J].中国音乐，2018，（05）.
[7]杨九华.关于中国乐派的学理思考[J].中国音乐，2017，（01）.
[8]韩宝强.乐器音响能建立标准吗——《中国民族乐器音响标准库》的心理物理学基础[J]. 演艺设备与科技，2009，（02）.
[9]韩宝强.音的历程[M].北京：人民音乐出版社，2016.
[10]付晓东.民族乐器音响协和研究——以梆笛、二胡与琵琶为例[J].人民音乐，2016，（12）.
[11]付晓东.《中国民族乐器音响标准库》项目的研制标准[J].演艺科技，2012，（03）.
[12]甄超，郑涛，许洁萍.音乐流派分类中特征选择算法研究[A].第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C].2009年. [13]喻曉雯，张楠，张勇.音乐作品风格流派的神经网络识别方法研究[J].计算机工程与应用，2011，（27）.
[14]余凯，贾磊，陈雨强.深度学习的昨天、今天和明天[J].计算机研究与发展，2013，（12）.
[15]梁晓晶，李子晋.音乐与计算机的跨学科对话——2018音乐人工智能发展研讨会侧记[J].人民音乐，2019，（03）.
[16]冯寅，周昌乐.算法作曲的研究进展 [J].软件学报，2006，（02）.
[17]周莉，邓阳.人工智能作曲发展的现状和趋势探究[J].艺术探索，2018，（05）.
[18]李伟，高智辉.音乐信息检索技术：音乐与人工智能的融合[J].艺术探索，2018，（05）.
[19]中国音乐研究基地2019年学术年会[J].音乐研究，2019，（03）.
[20]Meyer J. Acoustics and the Performance of Music Springer New York， 1978
[21]P.Salove J.D.Mayer. Emotional intelligence[J].Imagination cognition & personality 1990.
[22]Li T，Ogihara MToward intelligent music information retrieval IEEE Transactions on Multimedia 2006.
[23]Marques J，Moreno P J A Study of Musical Instrument Classification Using Gaussian Mixture Models and Support Vector Machines Compaq Corporation Cambridge Research Laboratory 1999.
[24]Alessandra Capanna Iannis Xenakis：archiect of light and sound Nexus network journal 2001.
[25]Vincent P Stacked Denoising Autoencoders：Learning Useful Representations in a Deep Network with a Local Denoising Criterion Journal of Machine Learning Research 2010.
[26]Tzanetakis G，Cook P.Musical genre classification of audio signals [J].IEEE Transactions on Speech&Audio Processing，2001.
关键词：中国乐派 AI 人工智能音乐 音响特征
中图分类号：J605 文献标识码：A 文章编号：1008-3359（2020）05-0029-06
近些年来，AI技术的发展呈迅猛之势，对我们生活的方方面面、各个领域已经或即将产生变革性的影响。AI在音乐领域目前的应用诸如：音频识别、音乐检索、AI作曲、虚拟歌手等等也已经取得了不俗的成绩。相关研究的核心是都是建立在对于音乐音响特征相关数据的提取和运用，基于此思路，如若AI技术运用在中国风格音乐方面，也势必将在音乐分类，音乐创作，声学，乐器学等领域大有作为。而“中国乐派”作为2016年被提出的新音乐学派概念，对于“新时代”下的中国音乐而言是非常具有代表性的，能利用AI技术对其音乐音响特征方面进行研究，将为中国乐派的音乐特征分类、创作、教学、推广提供帮助，进而也为AI技术在中国风格音乐研究领域积累一些经验，提供一些思路。
一、中国乐派的概念界定
中国音乐学院院长王黎光指出：“中国乐派即中国音乐学派的简称。是以中国音乐元素为依托、以中国风格为基调、以中国音乐家为载体、以中国作品为体现的音乐学派。”[1]
在“中国音乐研究基地2019年学术年会”上，北京大学高丙中教授的主旨发言《中国乐派的定位与内涵》进一步定义了“中国乐派”。他指出，“中国乐派”是以中国音乐元素为依托，以中国风格为基调，以中国音乐人为载体，以中国音乐作品为体现，以中国人民公共生活为母体的音乐派别。陆续又有学者指出中国乐派有狭义和广义之分，也有深浅不同，成就高低，以及历时、共时的不同含义。[2]
笔者所理解的“中国乐派”是一个多元一体的概念，许多著名乐派已在音乐历史中奠定了崇高的地位，如“俄罗斯民族乐派”“维也纳古典乐派”“威尼斯乐派”等，提到“俄罗斯民族乐派”人们想到了五人团、柴可夫斯基，提及“维也纳古典乐派”人们首先想到的是海顿、莫扎特、贝多芬，提及“威尼斯乐派”人们首先想到了意大利歌剧。不管这些乐派是受益于伟大作曲家也好，还是受益于艺术形式的融汇创新也好，最终还是归结于它们都在其所属时代抓住了歷史发展的机遇。“中国乐派”是当今基于全球化语境下所提出的概念，所以创造性的继承和发展它是当今每一个中国音乐家都为之努力的目标。
二、中国乐派发展现状及发展方向
中国乐派有狭义和广义之分，狭义的中国乐派是在中国社会、文化生态环境中形成的，特色独具的小的或较小的乐派。他们的艺术风格和特色，既有自己的共性特点，有一定的社会影响力，但相互间又可以彼此清楚地区分开来，如一些地方戏，民间音乐等等。[5]本文以下讨论的中国乐派的现状与发展，是指广义范围内并带有深层次高标准的中国乐派，比如在中国音乐史上，特别是近代及当代较为有影响力、或具有划时代意义的中国音乐名家的中国乐派作品。
首先从思想上，不乏有中国音乐家就对于本民族音乐派别的形成和发展提出过诸多思考，早在1934年10月21日黄自所撰写的一篇文章《怎样才可产生吾国民族音乐》就坚决的回答了音乐创作中国风格的形成的历史依据与发展道路。“民族音乐革新派”代表的刘天华先生，说过“一方面采取本国固有的精粹，一方面容纳外来的潮流”，他指出在“东西的调合与合作之中，打出一条新路来”。我国优秀的音乐家从未放弃对于独立于欧洲音乐学派的中国风格的探索，在这些前辈思想感召下，也经过许多中国音乐家如冼星海、江文也、马思聪、贺绿汀、马可、张肖虎等不断的努力，中国音乐作品在世界范围内的影响也在不断扩大，这着实体现了我国音乐家砥砺前行的艺术探索精神。
现如今，中国的音乐创作者们对于西方创作体系的了解和运用可谓已经到达了一定高度。但在“中国乐派”的建设方面，我们仍在前进和探索的路上，并且在这条道路上我们可能还要走的很长。当今时代环境与历史上代表西方艺术成的种种乐派的发展环境已是截然不同。这种不同体现在两个方面，首先我们的时代变了，当今已是全球化的时代，科技的发展，人与人之间的信息互联早已发生天翻地覆的变化。“物质决定意识”，时代的进步，信息的多元化传播，必将造就不同的音乐形态。
其次，我们目标也是在全球化语境下构建新“中国乐派”，这意味着我们要更加具有包容并进的精神，既不能摒弃传统，又要面对日新月异的艺术潮流的冲击，还需要拥抱变化以此不断去快速适应时代赋予我们新的技术成果，并服务于艺术创作。只有这样，“中国乐派”才能走向引领当代审美文化的高峰，再现中国音乐的灿烂辉煌。
代表中国民族音乐最高学府的中国音乐学院提出了“承国学，扬国韵，育国器，强国音”的办学理念。这向我们传递了坚定不移的发展本民族音乐的决心，正如习近平主席所说：“优秀的传统文化，是中华文明的‘根本’和‘精神命脉’。”中国音乐学院就是正在承载这一历史使命的学府之一。我认为，在未来中国乐派的发展道路上，本民族的音乐，特别是中国民族乐队的作品将是一个不可忽视的重要体裁。除此之外，中国乐派交响乐作品也是未来发展中的一个重要组成部分。真正的高标准的乐派，必须要有一批优秀的名家并有在世界范围内有影响力的作品，交响乐及中国民族乐队都是呈现音乐作品的最高表现形式之一。由此可见，中国乐派的发展一定是“兼容并进，包容创新”的，也势必要朝着培养优秀的民族音乐家，创造在世界范围内有影响力的民族音乐作品的方向去发展。 三、为何要研究中国乐派的音响特征
这里所指的音响特征是从音乐听感角度出发，去探寻和总结音乐给人带来某种普遍主观听感的关键要素。音乐终究是听觉的艺术，历史上著名乐派的成功，无一例外都有其鲜明的特征，相关的研究也层出不穷，从作曲技法到民族历史甚至社会学等方面，都已有非常丰硕的成果。近年来，随着科学技术的发展，越来越多的国内外学者都开始从音乐音响层面对不同乐派、不同风格的作品进行研究，以此来开启一个新的视角更好的论证和发展它们。
中国乐派是一个尚在发展道路上的时期，并处在全球化和科技革命浪潮迭起的环境中。若以研究音响特征为切入点则有如下几点益处：
其一， 中国乐派概念可大可小，有狭有广，层次有深有浅，成就有高有低。若以音响特征为切入点对其进行研究，可以为该乐派的建设提供多元化的理论支撑。
其二，研究中国乐派的音响特征，特别是对于民族乐器层面的音响特征研究，可使更多的创作者、演奏者受益。
其三，研究中国乐派的音响特征，并参照西方乐派音乐成功的音响模式进行比对，可以从听感角度解释中国乐派音乐的特殊性，其次可以汲取西方的音响模式成功的要素。
四、AI技术应用在音乐领域的优势
科技发展对于音乐文化的影响是巨大的，参考“电子音乐”的发展历程就不难感受这一点。人工智能的发展速度及影响力更是“来势汹汹”，根据加速回报定律（Law of Accelerating Returns）和“摩尔定律”（Moore’s Law），人工智能的发展将超出一般大众所感知事物发展的速度.因此，快速适应时代的发展，并提前张开双臂迎接它，我相信是任何领域的顶尖学府走在学科前沿的重要原因。
AI 技术目前已经在许多领域有非常成功的应用，现阶段常用的AI技术无外乎解决以下几种问题：第一是分类识别的问题，第二是预测的问题，第三是生成的问题。在音乐领域，AI已经在辅助解决一些相关问题并取得了丰富的成果，例如：音乐检索;乐谱识别;音频识别，属于AI分类识别的问题。音乐智能推荐属于预测问题。AI作曲，虚拟歌手，乐器3D打印复原属于生成问题。
人们对于AI技术在音乐领域的已有成果，以及对于未来前景期望都持非常肯定的态度，如果说交通工具是人类身体的延展，那么AI就是人脑的延展。目前一些“弱人工智能”已经在音乐领域得到了很广泛的应用，它可以更有效率的完成需要人脑“机械化”重复完成的工作。就本文想要达到探索中国乐派音响特性这一目的而言，AI可以通过自身学习，在丰富多样的中国音乐中识别相关特征，储存海量的数据。在我们遇到不好下定论的音乐问题时，给予我们更多的参考，例如利用AI的音频识别技术，我们很容易能够分析一件乐器是否具有完备的音响效果，一首民歌的分类，唱腔的识别，流派的归纳等等。其实不仅如此，我们知道AI深度学习技术需要基于大量的数据才能生成结果，在前期构建用于AI学习资料的数据库过程中，也反向的促使我们对于想要研究中国乐派中的某一对象进行大量的调研和数据整合，这个过程本身也具有极大的价值。
除了帮助人脑完成“机械化”的工作外，随着未来“强人工智能”的发展，音乐“生成类”的应用将更加常见，甚至有可能将音乐情感感知和识别技术继续深化，这就为我们提供了更大的想象空间。比如，我们将带有中国乐派音响特性的作品让AI加以学习，它可以为我们输出各种版本的音响样本;将文字、图片、影像、或者灯光等其他媒介的参数通过迁移数据映射到音乐参数上，让AI自身在学习过程中总结复杂的事物规则，最终为我们模拟出融汇多种元素的超前艺术表现形式。
五、AI技术探索中国乐派音响特征的切入点
笔者认为AI技术可以在研究中国乐派音响特性这一领域大有作为，具体切入点有如下三个方面：中国乐派音乐识别分类问题;中国民族乐器音响特性问题;中国乐派音乐多维度创作问题。
（一）中国乐派的音乐识别分类问题
首先说中國乐派的音乐识别分类问题，如上文所述，中国乐派可大可小，可狭可广，无论从时间、空间或音乐家的维度都包含多重种类。人们在欣赏中国乐派民族音乐的时候，特别是一些中国少数民族音乐例如藏传佛教音乐、维吾尔族十二木卡姆、花儿等，如果不是相关领域的研究者，有时很难将准确将其归类，也无法快速的找寻到相似的作品。如果能够利用AI来深度学习技术来学习某类中国乐派音乐音响的特征，那么对于该类音乐的识别和传播都会带来极大便利。参照一些AI技术对于国外音乐的分类识别如蓝调（blues）、古典（classical）、乡村（country） 、迪斯科（disco） 、嘻哈（hip-hop）、 爵士（jazz）、金属（metal）、 流行（pop）、 雷鬼（raggae）、摇滚（rock）的成功案例，可以将其运用到中国乐派的分类识别当中去。
具体方法是首先对要研究的某一类中国乐派音乐作品进行音乐库的建立，也就是说对于研究对象进行各种不同音乐片段收集，具体实验标准可参照Tzanetakis在2002年对西方音乐进行分类实验时使用的西方音乐流派库。[26]对于中国乐派民族音乐进行10组左右的选择，每组由50个代表性的音乐片段组成训练集，25个用于验证的验证集，25个用于测试的测试集。下一步对于音响信号进行预处理，比如预加重、分帧、加窗等，这样做的目的是让音乐的音响特征在接下来的分类中更有效。接下来就是音响特征的提取，这是对于音乐识别分类重要的一环，在这一环节实际上可研究的角度有很多，（正如上文所说，对于音乐专业背景的人来说，对于特定种类的中国民族音乐进行音响特征提取的过程本身就具有相当大的价值，可以为该音乐种类的研究提供很多客观数据）目前，笔者认为对于中国乐派音乐音响特征的提取可以有两种思路，这两种思路对应了下一步不同的人工智能学习方法。
我们可以对它的时域特征、频域特征、倒谱域特征等进行提取，运用一些比较“传统”的分类识别任务的方法中去，比如决策树，支持向量机，逻辑回归等。这种分类通常是有监督的训练，具体过程大致是先进行音响特征提取，然后把他们标签化，最后AI学习音响特征和音乐类别的关系，从而实现识别分类。 先提取原始音响特征，也就是音乐信号底层特征提取。比如FFT、MFCC、MPC等。特别是梅尔多谱系数（Mel-phon Cofficients，MPC），简称MPC，这个特征是Vincent P在2010年发表的文章中提出的特征[25]，提取该特征是因为，它更适合在级联的网络结构中对音乐流派进行识别分类。下一步可以通过目前比较流行的深度信念（置信）网络（Deep Belief Networks）进行算法识别。
以上两种方法在对于中国乐派音乐分类识别问题中各有优劣，可谓“鱼和熊掌”。第一种是有监督的，通过人工提取各种音乐音响特征包含底层特征和高层特征，并根据具体的对象进行具体的建模。这种方法研究的过程对于该类音乐特征会收集很多客观数据，分类器和算法可能都是特定的，虽然通用性较差，但是笔者相信这一过程中一定有有利于音乐专业背景的研究者从音乐学的角度去得出某种结论。第二种方法从实践应用角度更为理想，因为只需要输入音响的底层特征，AI网络就会进行数据分析和学习，学习的过程是“无监督”的，对于音响本质的抽象特征是如何判断的，或许AI有自己的一套“心法”。当然，目前利用AI深度学习技术对于中国乐派音乐进行分类识别方面的研究还尚未实践，还需要更多的研究者对其进行探究，总结经验。
（二）从中国乐派民族乐器方面入手
一个乐派的音响特征，乐器的使用以及配器手法会对其产生非常大的影响。所谓“弓欲善其事，必先利其器”，那些西方著名乐派的产生，一定程度上要归功于西方有较为科学统一、标准化的乐队编制以及乐器制造标准。实际上国外对于管弦乐器声学方面研究开展的也比较早，并取得了研究成果。如J. Meyer的著作《音乐声学与音乐演出》对西洋管弦乐团中所有乐器一一进行了声学分析，并对其在舞臺上的声音强度、摆位等问题进行研究。[20]客观科学的乐器声学研究加上源源不断的商业化实践是造就西方管弦乐队至今旺盛生命力的原因之一。
笔者认为，为中国民族乐器创作的优秀作品，必将更有机会成为中国乐派的代表作。对于中国民族乐器的音响特征方面，近些年来越来越多的相关专家学者对其进行了研究，并取得了不俗的成果，2008年由韩宝强教授任课题组组长的文化部科技项目《中国民族乐器音响标准库》项目正式启动，选取了涵盖拉弦、弹拨、吹管、打击乐各声部的20件代表性民族乐器，经过样本采集、主观评价、数据分析以及数据库构建等阶段，形成了《中国民族乐器音响标准库》。[8]2016年由中国音乐学院主办，“中国乐派”管弦乐队音响模式探索研讨会在北京召开，付晓东教授对其所主持的国家社科基金艺术学项目“中西管弦乐器声学特征比较研究”进行了阐述，指出了当前民族管弦乐队中的乐器问题，比如特征音区划分模糊，声学性能难以定义，音响匹配难以控制、乐器数量选择的不确，整体音响“尖、扁、杂”的问题等。[4]
AI技术的出现我认为可以很好的辅助解决一些中国乐派民族乐器的音响问题，比如中国民族器乐的单件乐器音色标准问题以及乐器组合合理性的问题。
中国民乐的乐器制作标准化一直以来是都是一个重要的议题，一件完备的民族乐器应当兼具“和谐性”又不失其个性。我们可以提取我们认为品质较高乐器的声音特征作为原始特征样本，利用AI深度学习技术，学习该种乐器各种不同技法的音频素材，今后若有相关的乐器需要进行测评，那么AI系统就会根据我们之前较高品质的样本进行比对并输出结果。比如，想知道一把二胡是否达到较高品质的标准，就可以把其音响素材输入给AI系统，AI会通过之前学习过的各种二胡声音素材进行音频识别，并给出我们测评的二胡声音与高品质二胡声音的差异性，相关技术流程其实已在语音识别方面屡见不鲜，手机系统当中的语音助手其实就是同类别的成功案例，我们需要做的是把AI学习人类语言改为学习音频素材，把语音助手与用户的输出对话，转为输出对于这件乐器性能的测评报告。当然，该方案虽然在理论上已经在语音识别方面取得成功，但放在中国乐器乐器音响性能方面也会存在一定难度，比如，乐器声音质量的需要进行主观评价调研，同种乐器不同的音频素材的样本采集需要相当的时间，乐器不同的技法的音响特征可能需要建立不同的AI学习模型等等。
利用AI技术也可以辅助解决有关中国乐派民族乐器组合中音响合理性的相关问题。韩宝强教授2016年在“中国乐派”管弦乐队音响模式探索研讨会上提出，民族音乐的创作方面现今最大的问题是缺少一本具有科学性且“中国特色”的乐器法与配器法的教材。笔者认为，有关中国民族管弦乐队配器或者说音色组合的问题，需要对于各民族乐器组合进行大量相关实验，从乐器的数量，不同乐器音色搭配进行多方面的试验，在学习西方管弦乐队的音响模式的可取之处的同时尽可能发挥中国民族乐器的特色。在中国民族乐器音响声学研究方面，我们已经有了不少相关研究，不少学者开始从民族乐器的客观音色属性角度考虑民族管弦乐队音响匹配度的问题。但是在有关音色匹配问题的具体实践过程中仍有很大难度，主要原因是需要大量的时间和人力对不同音色组合的声音进行实验，既要有场地的限制，还要从作品的角度考量，并且要结合主观调研，最终才能给出准确的结论。如果利用AI技术，则可以加速这一探索过程，比如我们利用现有《中国民族乐器音响标准库》的数据（或者依照实际需要采样相关素材），根据相关算法进行建模，参照西方的管弦乐音响模式，把不同的音色进行配比组合，输出不同结果，最后结合主观评价得出结论以供参考。上述流程的底层逻辑，其实是基于统计学的范畴，在图片生成领域已经不是新鲜事了，比如几年前就有人利用AI深度学习技术，将很多张人脸的照片交给AI进行学习，AI根据这些图片的特征会自动生成出一张新的人脸，而这是在真实世界不存在的人脸。具体应用在民族乐器组合音色试验方面，笔者认为可以采取如下方法，首先找一段比较有代表性的中国乐派作品的乐谱，用西方管弦乐队当中公认的音响匹配度较高的乐器组或某些乐器组合进行演奏，以此作为AI输出结果的参照。然后将民族管弦乐中的某些乐器组或乐器组合的音频素材进行整理，并利用采样软件映射到MIDI信号中去，通过AI深度学习，给出最接近我们刚刚选取参照结果（也就是西方管弦乐队中音响匹配度较的高音色组合）的不同方案，并也以MIDI信号的形式进行输出，下一步需要对于给出方案的可行性进行主观评价，并得出结论。 不难看出，上述方案不受场地空间限制，不受时间限制，为我们省去组织乐手对于不同乐器进行组合演奏和参照比对的大量时间，同时也可以把相关学者对于民族乐器音响匹配度的理论假设加以实践。但该方案实施也有难点，第一是谱例的选取需要精心挑选，尽量具有通用性。第二是最终的方案如何平衡音响“和谐”与中国乐器“特点”的保留。
（三）有关中国乐派多维度创作方面
AI技术可以用于辅助中国乐派作品创作，为创作者提供灵感，也为将来中国乐派音乐多维度、多媒介的展現提供基础。人工智能作曲（Artificial Intelligence Composition） 简称AI 作曲，隶属于算法作曲的范畴，是运用人工智能算法进行机器作曲的过程，以使人（或作曲家）在利用计算机进行音乐创作时的介入程度达到最小。[21]实际上，AI作曲（特别是单旋律作曲）的底层逻辑是“遗传算法”，举个例子，我们今天常见的打字“输入法”自动联想功能，就是非常典型的案例，而在AI作曲方面，只不过我们把打字自动联想，换成了音乐音符预测。近些年来，利用混合算法的AI技术，准确的抓住某类作品的音响特征，并生成相似风格的作品。例如：2016年2月，第一部由算法创作的音乐剧《越过墙垣》（Beyond theFence）在伦敦上演;2016 年 6 月，谷歌公司研发的机器学习项目马真塔（Magenta）通过神经学习网络创作出一首时长90秒的钢琴曲;同年9月，索尼计算机科学实验室利用人工智能程序创作了一首披头士音乐风格的歌曲《爸爸的汽车》（Daddy's Car）。2019年10月11日由深圳交响乐团全球首次公演AI交响变奏曲《我和我的祖国》，这是由中国平安人工智能研究院构建的首个交响乐创作模型。
通过查阅文献梳理人工智能作曲的发展历程可看出，人工智能作曲在早期存在算法种类不同，作品风格单一，但随着时间发展，各种算法组合被逐渐应用，风格也逐渐走向多元化，中国平安人工智能研究中心首部交响变奏曲就是一个非常好的成功案例。笔者认为，虽然目前AI作曲在中国乐派的案例还比较稀缺，但中国民族音乐非常丰富，收集中国乐派音乐作品（民族管弦、室内乐、宫廷乐队、小乐种等）将“节奏、和声、对位、调式等音乐数据进行AI训练（强化学习），改善已有AI作曲的算法，即可推出中国乐派音乐体裁辅助作曲、自动伴奏算法。这样即能够从数据特征的角度总结中国乐派音乐作品中的特点，同时为作曲家提供不同的创作灵感和声音参考。
AI除了通过学习中国乐派音响特征可以服务于创作之外，未来利用AI技术创作多维度，多媒介的中国乐派作品才是最终目标。笔者在研究生期间，创作并在中国音乐学院歌剧厅成功上演了一首带有实验性质的MIDI音乐作品，利用原声乐器、MIDI乐器和三维模型互动作算法结合，最终完成这首双媒介的作品，如图一。
这是MIDI音乐的多媒介展现的实验性作品，但未来我相信AI技术会在音乐情感识别，人机交互，结合诸如视觉、听觉、体感等多渠道信息来辅助创作中国乐派音乐，甚至拓宽中国乐派音乐的表现形式。而AI学习中国乐派作品的音响特征，是这一切的基础。科技以人为本，技术服务于艺术，更多维度的表现手法也一定能丰富音乐作品表现力。
六、结语
人工智能时代的到来已经是不可逆转的趋势，习近平总书记在党的十九大报告中指出，“要将人工智能的发展提升到国家战略的高度。”人工智能在音乐领域的应用已经取得了不俗的成绩，并且有关人工智能音乐的教育也逐渐在各地展开，2019年中央音乐学院成立人工智能音乐系，首招人工智能与音乐信息科技方向博士。同年上海音乐学院音乐科技系开设音乐人工智能课程。笔者相信，能够合理的利用AI技术，势必会加速中国乐派的发展，如果以探索音响特征方面入手，利用AI技术辅助人脑，对各项复杂的音乐数据进行深度学习，我们既能够在此过程当中总结出客观数据，又能对于想要试验的音响效果进行多维度的预测、生成，最终为中国乐派发展提供更加多元化的理论依据，并推动更多更好的中国乐派作品发展和传播。
参考文献：
[1]王黎光.兼容并包借鉴创新——建设“中国乐派”系列思考[J].中国音乐，2018，（01）.
[2]金野.中国乐派交响乐作品教学与研究实践 第一阶段（1916年至1949年）项目成果综述[J].音乐创作，2018，（10）.
[3]赵维平.“中国乐派”的史学理论建设——2016中国音乐学院“中国乐派与中国音乐节学术研讨会”发言[J].音乐创作，2017，（02）.
[4]勾宸.“中国乐派”管弦乐音响模式的探索——“中西管弦乐器声学特征比较研讨会会议综述”[J].人民音乐，2018，（07）.
[5]秦序.中国乐派的释义与历史定位[J].中国音乐，2019，（05）.
[6]王黎光.“纪念马可先生诞辰百年学术研讨会”院长致辞[J].中国音乐，2018，（05）.
[7]杨九华.关于中国乐派的学理思考[J].中国音乐，2017，（01）.
[8]韩宝强.乐器音响能建立标准吗——《中国民族乐器音响标准库》的心理物理学基础[J]. 演艺设备与科技，2009，（02）.
[9]韩宝强.音的历程[M].北京：人民音乐出版社，2016.
[10]付晓东.民族乐器音响协和研究——以梆笛、二胡与琵琶为例[J].人民音乐，2016，（12）.
[11]付晓东.《中国民族乐器音响标准库》项目的研制标准[J].演艺科技，2012，（03）.
[12]甄超，郑涛，许洁萍.音乐流派分类中特征选择算法研究[A].第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C].2009年. [13]喻曉雯，张楠，张勇.音乐作品风格流派的神经网络识别方法研究[J].计算机工程与应用，2011，（27）.
[14]余凯，贾磊，陈雨强.深度学习的昨天、今天和明天[J].计算机研究与发展，2013，（12）.
[15]梁晓晶，李子晋.音乐与计算机的跨学科对话——2018音乐人工智能发展研讨会侧记[J].人民音乐，2019，（03）.
[16]冯寅，周昌乐.算法作曲的研究进展 [J].软件学报，2006，（02）.
[17]周莉，邓阳.人工智能作曲发展的现状和趋势探究[J].艺术探索，2018，（05）.
[18]李伟，高智辉.音乐信息检索技术：音乐与人工智能的融合[J].艺术探索，2018，（05）.
[19]中国音乐研究基地2019年学术年会[J].音乐研究，2019，（03）.
[20]Meyer J. Acoustics and the Performance of Music Springer New York， 1978
[21]P.Salove J.D.Mayer. Emotional intelligence[J].Imagination cognition & personality 1990.
[22]Li T，Ogihara MToward intelligent music information retrieval IEEE Transactions on Multimedia 2006.
[23]Marques J，Moreno P J A Study of Musical Instrument Classification Using Gaussian Mixture Models and Support Vector Machines Compaq Corporation Cambridge Research Laboratory 1999.
[24]Alessandra Capanna Iannis Xenakis：archiect of light and sound Nexus network journal 2001.
[25]Vincent P Stacked Denoising Autoencoders：Learning Useful Representations in a Deep Network with a Local Denoising Criterion Journal of Machine Learning Research 2010.
[26]Tzanetakis G，Cook P.Musical genre classification of audio signals [J].IEEE Transactions on Speech&Audio Processing，2001.