Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, piyano icrası işitilen bir ezginin tekrar edilmesine dayanan öğrenci vokal performanslarını otomatik notlandırılan bir sistem önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Teknolojideki güncel gelişmeler sebebiyle çevrimiçi müzik eğitiminin giderek yaygınlaştığı bir döneme girmiş bulunuyoruz. Müzik eğitimi için çevrimiçi kaynaklar, dersler ve çevrimiçi eğitim alan müzik öğrencisi sayısı büyük hızla artmaktadır. Çok sayıda müzik öğrencisinin kayıt olduğu çevrimiçi derslerde öğrenci müzik icralarının notlandırılması yüksek düzeyde uzman emeği gerektirmektedir. Bu sebeple, görece mekanik olan müzik egzersizlerinin notlandırılması için otomatik sistemlerin tasarımı önem kazanmaktadır. Bu çalışmada, piyano icrası işitilen bir ezginin tekrar edilmesine dayanan öğrenci vokal performanslarını otomatik notlandırılan bir sistem önerilmektedir. Sistem, öğrenci performans kaydı ile referans piyano kaydını karşılaştırarak bir not çıktısı üretir. Süreç, temel frekans serileri ve kroma matrislerinin hesaplanması, zaman hizalaması, mesafe dağılımlarının istatistiksel analizi ve makine öğrenimi ile not tahmini adımlarını içerir. Son adımda kullanılan makine öğrenmesi modeli güdümlü öğrenme yöntemiyle eğitilmiş, bu amaçla eldeki veriler üç ayrı uzman tarafından notlandırılmıştır. Uzman notlandırmaları arasındaki uyum ile eğitilen modelin çıktılarının uzman notlarıyla tutarlılığı ayrıntılı olarak karşılaştırılmış ve sonuçlar sunulmuştur.
Abstract
Online music education is increasingly gaining attraction globally. The number of music students profiting from online resources, lessons and online music education is growing rapidly. Evaluating student performances in online music classes with high enrollment demands substantial expert involvement. For this reason, the design of automatic systems for the assessment of relatively mechanical musical exercises is becoming crucial. In this study, we propose a system that automatically assesses student vocal performances repeating melodic patterns. The system analyzes both the student’s performance and a reference piano recording, producing a grade based on the melodic similarity between the two. The system functions through four primary processes: extracting fundamental frequencies and chroma features, aligning the sequences via dynamic time warping, measuring the distribution of discrepancies, and generating scores using a machine learning algorithm (trained via supervised learning). We provide a study on the consistency between different experts and the outcomes from the machine learning tests for the proposed automated system.