Филип Болл - Музыкальный инстинкт. Почему мы любим музыку

Некоторые коммерческие продукты предлагают людям свою помощь в этом вопросе, а в процессе выдают новые способы осмысления «стиля» и тех акустических качеств, которые мы используем для обнаружения сходства в музыке. В 2000 году калифорнийская компания «Pandora Media» запустила музыкальный проект «Music Genome Project» («Музыкальный геном»). На момент выхода книги это была самая развитая из систем-помощников, способная определять музыкальные признаки или «гены». В рекламе утверждалось, что она «улавливала уникальные и магические музыкальные качества песни – от мелодии, гармонии и ритма до инструментовки, оркестровки, аранжировки, стихов и вокальной гармонии». Команда из тридцати музыкальных аналитиков классифицировала песни по четырем сотням разных признаков, чтобы создать потоковую музыкальную онлайн-станцию, которая за платную подписку обеспечивала музыкой из определенного региона «музыкальной вселенной», соответствующего определенной песне или исполнителю, выбранных пользователем. Библиотека «Пандоры» содержала более четыреста тысяч песен двадцати тысяч исполнителей, а ее рекомендации проходили через ряд тончайших настроек с помощью обратной связи от пользователей.

Существуют еще две конкурирующие программы: «Playola», написанная студентом Колумбийского университета в Нью-Йорке, и поисковик «Search Inside the Music» компании «Sun Microsystems». «Playola» ищет внутри песен определенные шаблоны, позволяющие относить их к нетрадиционным жанрам; после прослушивания песни пользователь должен провести пальцем по слайдерам, чтобы настроить жанровые предпочтения: например, чуть больше «авторской песни» и чуть меньше «колледж-рока». «Search Inside the Music» – детище Пола Ламера, разработчика программного обеспечения. Ранее он занимался конструктивным синтезом речи, а теперь работает в «компании по разработке музыкального интеллекта» «The Echo Nest» в городе Соммервиль в Массачусетсе. Система занимается поиском «акустических подобий» в песнях, таких как похожие мелодии, темпы, ритмы, тембры и инструментовки; пользователь может искать песни, которые «звучат похоже» на те, что ему нравятся, при этом акустические параметры можно комбинировать с пользовательскими предпочтениями, чтобы точнее настроить систему поиска. Ламер хочет, однако, чтобы обратная связь такого рода могла создавать «предубеждение популярности»: в результате хитовые композиции будут чаще попадаться в рекомендациях, чем менее успешные песни, а значит тренды будут заглушать собой новинки. В 2006 году социолог из нью-йоркского Колумбийского университета провел исследование, выявившее, что информация о выборе других пользователей может заметно исказить рейтинги популярных песен по сравнению с тем случаем, когда каждый пользователь осуществляет свой выбор независимо: шквал отзывов может заставить сравнительно непримечательные песни подняться на первые позиции в списке популярных композиций. Когда автоматическая «система рекомендаций» пользуется только акустическими характеристиками, это искажение исчезает.

Соотносятся ли акустические параметры субъективной классификации и вкусов с традиционно рассматриваемыми качествами мелодии, ритма и так далее? Некоторые системы «музыкального подбора» не предполагают подобное В прототипе «AudioRadar» разработчика Отмара Хиллигеса и его команды из Мюнхенского университета музыка классифицировалась по четырем разным осям: быстро/медленно, ритмично/мелодично, спокойно/возбуждающе и шероховато/гладко. Последняя пара измерялась количеством ритмических и мелодических изменений в песне в коротких и длинных временных промежутках. Этот метод задает каждой песне ряд координат в четырехмерном пространстве, а расстояние между песнями, по-видимому, определяет степень их подобия. Чтобы определить, какую музыку выбрать из этого пространства, пользователь указывает личные предпочтения по каждому из четырех признаков. Исследователи разработали метод проецирования результатов на двухмерный дисплей, где «эталонная песня» располагается в центре, окруженная концентрическими кругами из других песен. Пользователь может выбрать направление движения от текущей песни, например, ускорить темп с сохранением всех остальных характеристик, или же мр3-плеер можно отправить в блуждание по пространству «определенного настроения».

Все еще не решены начальные проблемы этого нового подхода при разбивке на жанры: Хиллигес допускает, например, что «система не может различать неоригинальную ерунду от великолепных песен». Схема классификации испытывает перенапряжение, когда сталкивается с разными типами музыки: в пространстве «AudioRadar» классическая музыка расположена очень близко к хэви-метал, что в результате может привести некоторых слушателей в ужас. [86] Первые версии «Search Inside the Music» тоже страдали от подобной путаницы – очевидно, потому что анализ тембра (удивительным образом) регистрировал сходство между клавикордами и гитарной примочкой дисторшн.

Можно сделать логичный вывод, что такого рода путаница лишает смысла само существование систем поиска музыки, поскольку их показатели музыкального качества слишком грубы. Любая система, которая группирует «классическую музыку» (что бы это ни значило) в одну кучу с хэви-метал не производит впечателние устройства, которое может объяснить принципы «слышания» музыки. И кажется, что в настоящее время в автоматизации не хватает чего-то похожего на наше эстетическое чувство: разница между хорошим, посредственным и плохим суждением о западной классической музыке, и, вероятно, о любом другом жанре, чрезвычайно тонка. Даже если бы мы могли найти способ провести количественную оценку различий между, скажем, Францем Данци (немецкий композитор, 1763—1826) и Бетховеном, кажется маловероятным, что поисковая система помогла бы нам решить, кто из них лучше.

Тем не менее попытки музыкально-информационных технологий найти новые классификации и подобия в музыке не остаются полностью бесплодными. Компьютерные программы могут, например, использовать систему чего-то вроде аудиоиндексации, в которой музыкальные записи можно отсканировать, чтобы найти определенные элементы (такие как соло определенных джазовых музыкантов). Они могут помочь композиторам, сочиняющим музыку к фильмам, подобрать к конкретному настроению подходящую музыку, найдя ее в огромных библиотеках, или даже определить мелодии по напетым фрагментам (такая поисковая система, называемая «Musipedia», уже существует).

Беспокоит то, что потребители могут строить свой музыкальный мир с помощью автоматического поиска мелодий, которые им уже нравятся. Конечно, в этом подходе нет ничего нового: многие меценаты осаждали старых мастеров просьбами написать «что-нибудь вроде Тициана». И нравится вам это или нет, но множество людей (по крайней мере на Западе) слушает музыку для регулирования настроения. Система, которую предполагают Ламер и другие, где пользователь может ввести определенный «профиль настроения» и дать компьютеру возможность делать выбор соответствующей музыки, кажется просто идеальным решением на этот случай. Было бы нечестным и бессмысленным считать такое «использование» музыки предосудительным.