事實證明，深度學習技術對于分析各種數據（從圖像到文本，在線帖子和錄音）非常有用。這些技術旨在識別大型數據集中的模式，將不同類別的項目分開，并使預測比人類快得多。

在最近的一項研究中，西蒙弗雷澤大學，中央研究院和達特茅斯學院的研究人員已經應用深度學習技術來識別中西方古典音樂之間的異同。他們的論文預先發表在arXiv上，論文寫到，他們使用聲音事件檢測（SED）和音景情感識別（SER）模型對音樂錄音進行了比較分析。

進行這項研究的研究人員之一范建宇告訴記者：“我們聽過中西古典音樂。” “我們認為有幾個因素使中國音樂不同于西方音樂，包括其潛在的文化，哲學和思維方式。這就是為什么我們對比較中西方音樂的研究非常感興趣。”

用于分析音樂記錄的深度學習模型有時可能會表現不佳，因為它們難以學習高級信息中的模式，例如歌曲的旋律，和聲等。為了克服先前研究中遇到的局限性，Fan和他的同事應用了音景模型用于分析中西方古典音樂，以評估它們在識別兩個子流派之間的異同方面的有效性。

最初，研究人員編輯了兩個帶注釋的數據集，分別包含WCMED和CCMED，其中包含中西音樂的錄音。隨后，他們分別在這些數據集上訓練了預訓練的SED和預訓練的SER 模型，并將它們與支持向量回歸（SVR）模型結合在一起。SED模型旨在檢測音頻信號中的聲音事件，而SER模型則經過訓練以識別聲景錄音所傳達的情感。

范解釋說：“雖然以前的音樂研究主要使用基于音樂的模型，但我們很好奇是否可以將經過通用音景訓練的模型用于分析音樂，以及它們對于中西方古典音樂有何不同。” “因此，我們嘗試使用基于一般聲音的兩個模型：聲音事件檢測模型和音景情感識別模型。”

研究人員使用轉移學習技術來提取聲音的高級表示。然后，他們使用這些表示來訓練他們的音樂情感識別模型，以檢測音樂錄音傳達的情感。由于對他們的模型進行了預訓練以概括聲音的特征，因此他們發現，與簡單的模型結合使用時，這些表示效果更好，尤其是對于中國古典音樂的分析。研究人員還在他們創建的數據集上訓練了深度學習分類器，并針對中西歌曲的特定特征進行了進一步的分析。

“我們的目標是使用預先訓練的音景模型來分析和比較中西方古典音樂，因此我們并不希望該模型能夠完美地適用于不同類型的音頻和不同類型的任務，”范說。“但是，我們的結果表明，使用音景模型可以有效地預測中西方古典音樂的喚起。”

Fan和他的同事收集的發現表明，SED和SER模型是用于分析音樂錄音的有前途的工具。有趣的是，使用這些技術對中西方古典音樂進行的比較分析得出的結果與中國音樂理論家提出的觀點一致。

研究人員還觀察到，他們的深度學習分類器將音景錄音識別為中國古典音樂。這表明，音景錄音通常與中國古典音樂比與西方古典音樂有更多相似之處。

范說：“我們的研究表明，中國古典音樂與音景唱片之間存在某些相似之處。” 這些結果與中國音樂學家和中國古典音樂哲學家的報道一致。”

將來，這組研究人員進行的研究可能會啟發其他基于音景模型分析比較不同流派音樂的研究。同時，范和他的同事計劃繼續使用深度學習方法研究中西方音樂之間的異同，同時嘗試建立可以自動組成新古典音樂的模型。