Computational methods for tonality-based style analysis of classical music audio recordings

Im Zuge der fortschreitenden Digitalisierung ist eine deutliche Veränderung des Musikangebots festzustellen. Streamingdienste, Downloadportale und private Archive stellen umfangreiche Kollektionen von Musikaufnahmen zur Verfügung. Im Forschungsbereich Music Information Retrieval werden Algorithmen zur Strukturierung und Durchsuchung solcher Archive entwickelt. Eine typische Anwendung ist die Klassifizierung von Aufnahmen hinsichtlich musikalischer Genres. Diese Arbeit befasst sich mit solchen Klassifikationsproblemen mit dem Ziel einer Differenzierung innerhalb der abendländischen Kunstmusik. Dabei stehen stilistische Kategorien wie Epochen der Musikgeschichte oder Komponisten im Fokus. Musikwissenschaftler führen solche Stilanalysen typischerweise auf Basis von Partituren durch. Ein wesentlicher Beitrag dieser Arbeit ist die Entwicklung computergestützter Methoden zur Analyse umfangreicher Korpora von Audiodaten. Die Experimente konzentrieren sich dabei auf die Parameter Harmonik und Tonalität. Als erster Schritt werden die Audiodaten mittels Signalverarbeitungstechniken in Chromadarstellungen überführt. Auf dieser Basis werden musiktheoretische Konzepte modelliert und das Auftreten tonaler Strukturen gemessen. Einer der vorgestellten Algorithmen ermittelt die Grundtonart eines Stückes unter Berücksichtigung des Schlussakkords. Eine weitere Methode dient zur Visualisierung von Modulationsstrukturen hinsichtlich diatonischer Skalen sowie von lokal vorherrschenden Skalentypen. Weiterhin werden Methoden zur Messung von Intervall- und Akkordtypen sowie zur Quantifizierung tonaler Komplexität eingeführt. Auf Basis dieser Audiomerkmale werden stilistische Analysen von Musikaufnahmen realisiert. Mit Hilfe unüberwachter Lernmethoden wird die stilistische Ähnlichkeit von Musikstücken im Bezug auf Komponisten und Kompositionsjahre veranschaulicht. Weiterhin werden Experimente zur Klassifizierung nach Epoche oder Komponist durchgeführt. Die Ergebnisse zeigen, dass die tonalen Merkmale stilrelevante Eigenschaften auf stabile Weise modellieren. Im Gegensatz dazu führt die Verwendung von Standardmerkmalen häufig zu einer Überanpassung der Modelle, was sich negativ auf die Klassifikationsergebnisse auswirkt. Dies zeigt, dass sich tonale Eigenschaften zur Stilunterscheidung heranziehen lassen und dass solche Eigenschaften direkt aus Audioaufnahmen gemessen werden können.