万余首钢琴作品、一千多个小时，字节跳动发布全球最大钢琴MIDI数据集

机器之心

发布于 2023-03-29 19:17:18

7800

发布于 2023-03-29 19:17:18

机器之心专栏

机器之心编辑部

近期，字节跳动发布全球最大的古典钢琴数据集 GiantMIDI-Piano，包括来自 2,784 位作曲家 10,854 首作品的 MIDI 文件，总时长为 1,237 小时。研究者为完成该数据集的构建，开发并开源了一套高精度钢琴转谱系统。

钢琴转谱是一项将钢琴录音转为音乐符号（如 MIDI 格式）的任务。在人工智能领域，钢琴转谱被类比于音乐领域的语音识别任务。然而长期以来，在计算机音乐领域一直缺少一个大规模的钢琴 MIDI 数据集。

近期，字节跳动发布了全球最大的古典钢琴数据集 GiantMIDI-Piano [1]。在数据规模上，数据集不同曲目的总时长是谷歌 MAESTRO 数据集的 14 倍。

论文地址：https://arxiv.org/abs/2010.07061
项目地址：https://github.com/bytedance/GiantMIDI-Piano

字节跳动研究科学家表示：「GiantMIDI-Piano 将所有古典钢琴作品转录成 MIDI 格式，并向全世界开放，此举旨在推动音乐科技和计算机音乐学的发展」。

GiantMIDI-Piano 的用途包括但不限于：音乐信息检索、自动作曲、智能音乐创作、计算音乐学等。下图展示了 GiantMIDI-Piano 中前 100 位不同作曲家的曲目数量分布：

GiantMIDI-Piano 的特点是使用钢琴转谱技术，通过计算机将音频文件自动转为 MIDI 文件，并通过该技术转谱了大规模的 MIDI 数据集。

研究者首先从开放的国际音乐数字图书馆 IMSLP 获取了 18,067 位作曲家的 143,701 首作品名信息，并通过 YouTube 搜索到 60,724 个音频。然后，研究者设计了基于音频卷积神经网络（CNN）的钢琴独奏检测算法，筛选出来自 2,786 位作曲家的 10,854 部钢琴作品。最后，研究者开发并开源了一套高精度钢琴转谱系统（High-resolution Piano Transcription with Pedals by Regressing Precise Onsets and Offsets Times）[2]，将所有音频转谱成 MIDI 文件，进而构建了 GiantMIDI-Piano 数据库。

数据集特点

GiantMIDI-Piano 数据集具备以下特点：

包含来自 2,784 位作曲家 10,854 首作品的 MIDI 文件。
包含 34,504,873 个音符。
所有的曲目都是不同的，MIDI 文件的总时长为 1,237 小时。
由高精度转谱系统转谱音频而成。转谱的 MIDI 文件包括音符的起始时间、力度和踏板信息。
GiantMIDI-Piano 的转谱相对错误率为 0.094，在 Maestro 钢琴数据集上的转谱 F1 值为 96.72%。
所有 MIDI 文件都有统一的格式，文件名格式为「姓_名_曲目名_youtubeID.mid」。
包含作曲家国籍和出生年份信息。
数据集大小为 193 Mb。
使用许可为 CC BY 4.0。

钢琴转谱

钢琴转谱是一项十分具有挑战性的任务，原因之一在于钢琴是复音乐器，存在多个钢琴按键同时被按下的情况，不同音的组合方式多达上万种。针对此任务，字节跳动开源了一套高精度钢琴转谱系统 [2]：

论文地址：https://arxiv.org/abs/2010.01815
项目地址：https://github.com/bytedance/piano_transcription

该转谱系统的特点包括：

能够将任意声部数目、任意复杂度，甚至双钢琴、多钢琴的钢琴音频转谱为 MIDI 文件。
实现了任意时间精度的音符检测，突破了之前算法 32 毫秒识别精度的限制。
对每个音符实现了 128 个粒度的力度识别。
同时包含了钢琴音符和钢琴踏板的识别。
在 MAESTRO 评测数据集上取得 96.72% 的 F1 值，超越了 Google 系统的 94.80%。
预训练模型的代码以 Apache 2.0 协议开源。

在钢琴中，琴键的触发（onset）、抬起（offset）、按下的状态（frame）和力度（velocity）是钢琴发声的重要因素。字节跳动研究者提出了一种通过预测触发、抬起绝对时间进行钢琴转谱的方法。在训练中，网络的训练标签不再是二值 0 或 1，而是和绝对时间有关的连续值 g(△)，以此实现任意精度的钢琴转谱：

训练的标签能够表示毫秒级别的触发和抬起偏移：

研究者搭建了基于深层神经网络的转谱模型。一段音频波形首先被转换成对数梅尔谱图（Log mel spectrogram）作为输入特征。卷积循环神经网络被用作声学模型，分别预测触发、抬起、按下的状态和力度。每个声学模型包含 8 个卷积层用来提取高层抽象特征，2 个双向循环神经网络层（GRU）用来学习音频的长时依赖性。每个声学模型的输出都是 0 到 1 之间的连续值。

模型训练完毕后，在推断阶段，研究者提出了一种计算绝对触发和抬起时间的算法，可预测任意时间精度的音符触发和抬起：

转谱结果

下图显示了郎朗演奏《爱之梦》片段的音频对数梅尔谱图、音符转谱结果和踏板转谱结果：

此外，研究者使用一款名为雅马哈 Disklavier 的自动演奏钢琴播放转谱的 MIDI，重构了伟大钢琴家们的历史演出。业内人士分析，这项工作无疑是令人振奋的，字节跳动可能会将这项技术应用于后疫情时代的线上音乐直播、智能音乐创作中。

示例参见：

自动演奏钢琴重构李云迪《钟》：https://www.bilibili.com/video/BV1JD4y1d7Pn
自动演奏钢琴重构古尔德 1981 年《哥德堡变奏曲》：https://www.bilibili.com/video/BV1M541177x4

参考文献：

[1] Qiuqiang Kong, Bochen Li, Xuchen Song, Yuan Wan, and Yuxuan Wang. "High-resolution Piano Transcription with Pedals by Regressing Onsets and Offsets Times." arXiv preprint arXiv:2010.01815 (2020).

[2] Qiuqiang Kong, Bochen Li, Xuchen Song, Yuan Wan, and Yuxuan Wang. "High-resolution Piano Transcription with Pedals by Regressing Onsets and Offsets Times." arXiv preprint arXiv:2010.01815 (2020).

代码&数据集：