XiaoMi-AI文件搜索系统
World File Search SystemMusical
音乐舒适的诱饵
摘要本文研究了Spotify的Web API的数据，这些数据是在1958年8月至2021年5月第一张图表发行的Billboard Hot 100图表上的所有歌曲，以确定音乐苦难与经济痛苦之间的关系。十二个因变量 - 持续时间，舞蹈性，能量，钥匙，声音，声音，声音，响度，响度，仪器，术语，livesice，Valence和Tempo-用于衡量Arthur Okun的美国经济痛苦指数对每个特征的影响。使用12种单独的线性回归 - 一个用于每个因变量的一个 - 我发现，在经济困难增加的时候，消费者可能会选择聆听更长，更安静，更慢，更快乐的歌曲，这些歌曲具有较小的方式，较高的舞蹈性，舞步，较低的语音性，livesence，livesice和声音的水平。与以前的研究一致，这些结果表明人们在不确定的经济时期听音乐时如何寻求舒适感和摆脱压力的现实。此外，我提出了一个音乐苦难指数，该指数通过将统计上显着的变量除以其回归系数来为回归结果带来价值。由此产生的音乐苦难指数与经济痛苦的正相关为0.606，因此表明，流行音乐的消费者偏好与美国经济状况之间存在牢固的关系。最后，考虑到90％的美国人口定期听音乐，人们通过听音乐来调节自己的情绪，本文认为，可以利用音乐痛苦来估计消费者对美国经济的实时脉搏。
他们的管风琴、管风琴演奏家和音乐协会
“合唱团”一词的不断使用证明其意图是指示专门为歌手设立的场所。约翰·杰布牧师在《英格兰和爱尔兰联合教会合唱仪式》（1843 年）中指出：“在古代，在宗教改革之前，就从地方历史的模糊文献中可以收集到的信息而言，教区教堂普遍采用了这种称为合唱的仪式方式。许多较大的教区都有合唱团；例如，我们在《托马斯·莫尔爵士生平》中发现，他曾经穿上法衣，与唱诗班一起坐在切尔西教堂的圣坛上。事实上，普通教区和大教堂仪式之间的区别似乎在于程度，而不是仪式的性质。
身体作为乐器 - 牛津手册
本章探讨了将人体视为乐器的可能性。它以现象学哲学为基础，讨论了可能被视为“工具性”的身体图式，并讨论了身体理论提出的身体多样性，以考虑数字技术的融入。从人机交互科学领域讨论具身交互的概念，着眼于音乐应用。介绍了手势乐器的历史，从特雷门琴到 STEIM 工作室的乐器。然后，本文重点介绍了使用生理信号创作音乐，从 Lucier 和 Rosenboom 的历史作品到作者最近的表演。身体作为乐器，在不同的身体和技术配置中，表演者和乐器之间的相互适应动态被讨论。
走向直接的脑机音乐接口
至少 40 年来，音乐家和作曲家一直使用脑电波作为音乐的生成源，而脑机接口用于直接通信和控制的可能性在 20 世纪 70 年代初首次被认真研究。此后的几年中，许多艺术家和技术专家一直在努力尝试用脑电波和许多其他生物信号来控制音乐系统。尽管可以从人脑中读取丰富的 EEG、fMRI 和其他数据，但到目前为止，将复杂的脑电图数据转化为令人满意的音乐效果的成功率仍然有限。我们目前正在进行一项研究，我们相信这项研究将带来直接脑机接口用于丰富而富有表现力的音乐控制的可能性。本报告将概述我们当前研究和成果的方向。
识别音乐节奏的大脑网络
a 美国田纳西州纳什维尔范德堡大学范德堡脑研究所 b 美国田纳西州纳什维尔 Curb 艺术、企业与公共政策中心 c 意大利都灵大学神经科学系 d 美国田纳西州纳什维尔范德堡大学医学中心耳鼻咽喉头颈外科系 e 美国纽约州纽约市长老会/哥伦比亚大学欧文医学中心和哥伦比亚大学瓦格洛斯内外科医学院耳鼻咽喉头颈外科系 f 美国纽约州纽约市长老会/威尔康奈尔医学中心耳鼻咽喉头颈外科系 g 荷兰马斯特里赫特大学神经心理学与精神药理学系 h 德国莱比锡马克斯普朗克人类认知与脑科学研究所神经心理学系 i听力和语言科学系，范德堡大学医学中心，田纳西州纳什维尔，美国 * 通讯作者，电子邮件：anna.v.kasdan@vanderbilt.edu 摘要 我们对 30 项研究神经典型成人音乐节奏处理的功能性磁共振成像研究进行了系统回顾和荟萃分析。首先，我们确定了一个音乐节奏的一般网络，涵盖所有相关的感觉和运动过程（基于节拍，静息基线，12 个对比），这揭示了一个涉及听觉和运动区域的大型网络。这个网络包括双侧颞上皮质、辅助运动区 (SMA)、壳核和小脑。其次，我们在双侧壳核中确定了更精确的基于节拍的音乐节奏位置（基于节拍，音频运动控制，8 个对比）。第三，我们确定了受基于节拍的节奏复杂性调节的区域（复杂性，16
社论：AI驱动的音乐和娱乐机器人
机器人和人工智能（AI）的融合正在彻底改变音乐和娱乐领域。机器人正在从执行以服务为导向的任务到具有潜在的情感参与的先进人类机器人互动（HRI）。对机器人表现力的追求在音乐和娱乐机器人的建模，设计和控制中提出了新的挑战和机遇。当前的研究主要是针对能够操纵各种乐器的机器人的设计和物理实施（Wang等，2022; Lim等，2012），而实时HRI的社会智能机器人的开发仍未被倍增。随着AI的进步，机器人现在可以组成和即兴创作，并在HRI期间解释和应对人类情感状态（McColl等，2016； Wang等，2024）。该研究主题始于介绍AI驱动的音乐和娱乐机器人的最新发展。由于电话的结果，本研究主题已接受和收集了六篇论文。这些文章对各种艺术形式进行了全面的探索，包括在钢琴，小提琴，吉他，鼓和马里姆巴等乐器上唱歌，舞蹈和音乐表演。图1显示了这些研究中研究的音乐机器人的概述。在贡献的作品中，两篇文章着重于灵巧的操纵和感觉运动协调。Gilday等。引入了一个通用系统，该系统具有一个能够弹钢琴和表演吉他弹奏的参数手。与现有的定制机器人音乐系统不同，该提议的手被设计为单件3D打印结构，通过调制机械性能和驱动模式，证明了在娱乐应用中增强表现力的潜力。这项研究强调，利用系统 - 环境相互作用可以实现具有简化控制的多种多样的，多功能的功能和可变播放样式。而不是乐器弹奏，而是Twomey等。使用手臂上的可穿戴软传感器研究了舞蹈性能，以探索这种设备是否可以增强艺术表达。舞蹈运动是在虚拟质量弹簧阻尼器系统中以山液的形式建模的，并在本地框架中分析了肢体，以避免通常与IMUS相关的漂移问题。作者提出了一种并行算法来检测
音乐即兴演奏时的脑对脑交流
摘要 在生态环境中理解和预测他人的行为是社会神经科学的一个重要研究目标。在这里，我们部署了一种移动脑体成像 (MoBI) 方法来分析现场爵士乐表演期间专业音乐家之间的脑间交流。具体来说，在一场分为三部分的 45 分钟的爵士乐表演中，我们进行了双谱分析以评估来自三位专业音乐家的头皮脑电图 (EEG) 信号的同步性，在此期间，每五分钟就会有一位新音乐家加入。我们估算了所有音乐家二元组、电极组合和五个频带的双谱。结果显示，当更多音乐家一起表演以及他们同步演奏乐句时，β 和伽马频带 (13-50 Hz) 中的双谱更高。在确定的同步表演事件前约三秒发现了正双谱幅度变化，表明准备性皮质活动可预测协同行为动作。此外，随着音乐家的表演越来越多，电极区域之间的同步脑电图活动也越来越多，其中颞叶、顶叶和枕叶区域之间的脑内同步最为频繁。音乐家大脑活动同步性的提高反映了音乐即兴演奏任务中共享的多感官处理和动作意图。
全球音乐多样性中的例外和规则
全球音乐多样性是科学和人文研究人员的流行话题，但通常出于不同的原因。科学研究通常通过测量和统计数据侧重于概括，而人文主义者通常使用定性方法强调例外。，但是这两种方法不必互斥。使用定量方法来识别音乐异常值和对最不寻常的歌曲的定性讨论，我们可以将科学和人文学科的方法结合在一起，以团结有关音乐多样性的知识。客观地定义不寻常的音乐是一项微妙的任务，从历史上看，以欧洲为中心的方法。使用全球自动点唱机，一个数据集，其中包含来自1,000多个社会的近6,000首歌曲，编码为37个“ Cantometric”音乐风格变量，我们将歌曲的不寻常性指定为其编码变量相对于其区域频率的频率。使用定量指标来识别音乐多样性中的异常值，我们对一些最不寻常的个人歌曲（来自俄罗斯库尔斯克的Panpipe合奏）进行了定性讨论，并比较了来自Malay，KelAïr和Moroccan Berber Berber音乐文化的不寻常曲目。我们还询问不寻常的音乐是不寻常的社会组织还是与其他群体隔离的结果。有薄弱的证据表明，音乐的异常性是由亲属组织和文化隔离所预测的，但是这些预测因素远远超过了以下发现，即通过了解他们来自的社会来最好地预测出不寻常的歌曲 - 定量支持音乐风格的存在的证据。
Jen-1 Dreamstyler：定制的音乐con
大型文本到音乐生成的模型已取得了重大进展，从而创造了从呈现的文本提示中创建高质量和各种音乐作品。但是，输入文本提示可能无法精确地捕获用户要求，尤其是当目标是生成从指定参考集合中得出的特定概念的音乐时。在本文中，我们提出了一种新颖的方法，用于定制的文本到音乐生成，该方法可以从两分钟的参考音乐中限制概念，并生成一段符合该概念的新音乐。我们通过使用参考音乐微调验证的文本到音乐模型来实现这一目标。但是，直接对所有Pa-Rameters进行微调会导致过度拟合的问题。为了解决此问题，我们提出了一种关键参数调整方法，该方法使模型能够在保留其原始生成能力的同时吸收新概念。此外，我们在将多个概念引入验证的模型中时确定了潜在的概念冲突。我们提出了一种概念增强策略，以区分多个概念，从而使微型模型同时生成音乐，以同时融合了个人或多个概念。由于我们是第一个从事定制音乐生成任务的人，因此我们还为新任务引入了一个新的数据集和评估协议。我们提出的Jen1-Dreamstyler在定性和定量评估中都优于几个基线。演示将在https://www.jenmusic.ai/research#dreamstyler上找到。