登入捷徑:
直接前往內容(Alt 1)直接前往次目錄(Alt 3)直接前往總目錄(Alt 2)

數讀
測量音樂

視覺化負荷圖實例
視覺化負荷圖實例 | Screenshot: Psychonaut / CC0 1.0 public domain

熱門單曲無法預測,為何大數據仍在改變音樂行業現狀?

作者: 馬蒂亞斯·毛赫(Matthias Mauch)

     任何失敗的音樂家都會說,實現單曲上榜成功的夢想全靠運氣。這未必是失敗者假惺惺的藉口,因為科學家亦得出了同樣結論: 音樂消費人群在獨自聽歌時會對流行歌曲的品質得出比較一致的意見,然而他們一旦得知其他消費者首選的歌曲,歌曲排名就會變得撲朔迷離。在這種比較各自音樂 品味的時時變化的混亂過程中,音樂的「品質」幾乎完全喪失了其作為成功要素的性質。儘管通常還是消費者自己評為好歌的歌曲上榜,可其中哪一首能夠脫穎而出 登上榜首,委實難以預料。其它一些研究也得出相似結論,這些研究中人們也試圖預測榜首歌曲,卻或多或少已失敗告終。

大眾的樂感


     一些有興趣預測何人喜愛何種音樂的企業,便順理成章地啟用了其他資料來源。例如亞馬遜網站通過“購買該商品的顧客也同時購買……”這句話給出相當不錯的音 樂推薦。這就是協同過濾技術——在大數據時代才成為可能的一種技術。原因顯而易見,這種技術需要大量其他使用者的資料。Last.fm使用相似的技術,通 過分析用戶自己和其他相似人群的收聽習慣來推薦新歌或新的音樂人。倫敦的新興公司MusicMetric通過研究歌曲在推特上被推送、合法及非法被下載的 資訊,來調查該歌曲的流行度。Shazam更進一步,通過安裝該應用軟體,使用者可憑智慧手機識別出他所在的心愛的咖啡館裡正播放的歌曲。這個資訊不僅對 軟體使用者本人有用:通過分析用戶提出的識別請求,該公司能夠得知哪些歌曲會吸引人們仔細聆聽,從而往往能夠在該歌曲上榜之前,就識別出該城市的當季熱 歌。總而言之:使用大量資料以更好地評估顧客喜好和音樂成功與否的前景的大資料技術,早已在音樂產業發揮作用了。

聲學顯微鏡下


     更令人震驚的是,目前的資料研究幾乎並未涉及實際歌曲本身的特性——所謂的歌曲內容似乎是次要的。這種情形可能很快就會有所改變,因為音樂資訊學——基於 電腦技術對和絃、節拍、節奏、音調、韻律和樂器進行分析的一門學科,不僅在學術研究領域、在應用領域也日益成熟 。例如谷歌早在2011年已開始探討如何將使用者資料和音訊分析二者相結合。專業提供音樂分析服務的新興公司The Echonest早先已被全球最大的主流媒體音樂服務平台之一——Spotify收購。這也意味著音樂資訊學目前已成為主流。筆者的研究亦涉及音樂資訊學。筆者和同事們的共同研究表明,這些年來歌曲排行榜的音樂特性有明顯變化,尤其體現在和絃與器樂編曲方面。此外值得注意的是,上榜成功歌曲和落榜歌曲的音樂特性通常有著顯著區別。

音樂天氣預報


     這樣看來,排行榜前十名的歌曲確實與眾不同。這怎麼和我們“上榜成功多屬偶然”的認知相差甚遠?這取決於提問的角度。由於較大的樂壇趨勢是完全可測的,根 據音訊特徵計算成功概率也並非不可思議。雖然預測具體歌曲的成功與否很少正確,但平均而言,正如天氣預報一樣——準確度肯定比隨機猜測要高。因此筆者預 言,長期來看音訊分析也將不再被忽視,因為微小的商業競爭優勢亦很重要。

縱然瞭解,亦無礙享受?


     尚有兩大疑問有待解答:瞭解音樂的可預測性會不會影響我們享受音樂?以及:假如音樂家能夠更好地預測何種音樂將獲得成功,音樂種類是否會變得單一?對上述兩個問題,筆者都傾向於回答:不會。

     有知識也難免不做蠢事。儘管我們現在已經知道,男女之所以相愛,是因為我們的祖先在進化過程中受自然所驅使,今天的人類依然會墜入愛河。音樂知識同樣如此,並不能阻礙人們享受音樂。

     後一個問題要複雜些。希歐多爾·阿多諾(Theodor Adorno) 就曾憂慮音樂會變得單調,但我們的研究並未能證實這點——美國各大排行榜的歌曲似乎保持著良好的多樣性。原因在於,即便偏愛模仿成功音樂的音樂家始終存 在,也總有其他音樂家希望憑藉不一樣的獨特音樂而大受歡迎,或是根本不在乎能否取得商業上的成功。筆者對未來音樂的趣味性完全不會擔憂。