数读 测量音乐

可视化负荷图实例
可视化负荷图实例 | Screenshot: Psychonaut / CC0 1.0 public domain

热门单曲无法预测,为何大数据仍在改变音乐行业现状?

     任何失败的音乐家都会说,实现单曲打上榜成功的梦想全靠运气。这未必是失败者假惺惺的借口,因为科学家亦得出了同样结论: 音乐消费人群在独自听歌时会对流行歌曲的质量得出比较一致的意见,然而他们一旦得知其他消费者首选的歌曲,歌曲排名就会变得扑朔迷离。在这种比较各自音乐 品味的时时变化的混乱过程中,音乐的“质量”几乎完全丧失了其作为成功要素的性质。尽管通常还是消费者自己评为好歌的歌曲上榜,可其中哪一首能够脱颖而出 登上榜首,委实难以预料。其它一些研究也得出相似结论,这些研究中人们也试图预测榜首歌曲,却或多或少已失败告终。

大众的乐感


     一些有兴趣预测何人喜爱何种音乐的企业,便顺理成章地启用了其他数据来源。例如亚马逊网站通过“购买该商品的顾客也同时购买……”这句话给出相当不错的音 乐推荐。这就是协同过滤技术——在大数据时代才成为可能的一种技术。原因显而易见,这种技术需要大量其他用户的数据。Last.fm使用相似的技术,通过 分析用户自己和其他相似人群的收听习惯来推荐新歌或新的音乐人。伦敦的新兴公司MusicMetric通过研究歌曲在推特上被推送、合法及非法被下载的信 息,来调查该歌曲的流行度。Shazam更进一步,通过安装该应用软件,用户可凭智能手机识别出他所在的心爱的咖啡馆里正播放的歌曲。这个信息不仅对软件 用户本人有用:通过分析用户提出的识别请求,该公司能够得知哪些歌曲会吸引人们仔细聆听,从而往往能够在该歌曲上榜之前,就识别出该城市的当季热歌。总而 言之:使用大量数据以更好地评估顾客喜好和音乐成功与否的前景的大数据技术,早已在音乐产业发挥作用了。

声学显微镜下


     更令人震惊的是,目前的数据研究几乎并未涉及实际歌曲本身的特性——所谓的歌曲内容似乎是次要的。这种情形可能很快就会有所改变,因为音乐信息学——基于 计算机技术对和弦、节拍、节奏、音调、韵律和乐器进行分析的一门学科,不仅在学术研究领域、在应用领域也日益成熟 。例如谷歌早在2011年已开始探讨如何将用户数据和音频分析二者相结合。专业提供音乐分析服务的新兴公司The Echonest早先已被全球最大的主流媒体音乐服务平台之一——Spotify收购。这也意味着音乐信息学目前已成为主流。笔者的研究亦涉及音乐信息学。笔者和同事们的共同研究表明,这些年来歌曲排行榜的音乐特性有明显变化,尤其体现在和弦与器乐编曲方面。此外值得注意的是,上榜成功歌曲和落榜歌曲的音乐特性通常有着显著区别。

音乐天气预报


     这样看来,排行榜前十名的歌曲确实与众不同。这怎么和我们“上榜成功多属偶然”的认知相差甚远?这取决于提问的角度。由于较大的乐坛趋势是完全可测的,根 据音频特征计算成功概率也并非不可思议。虽然预测具体歌曲的成功与否很少正确,但平均而言,正如天气预报一样——准确度肯定比随机猜测要高。因此笔者预 言,长期来看音频分析也将不再被忽视,因为微小的商业竞争优势亦很重要。

纵然了解,亦无碍享受?


     尚有两大疑问有待解答:了解音乐的可预测性会不会影响我们享受音乐?以及:假如音乐家能够更好地预测何种音乐将获得成功,音乐种类是否会变得单一?对上述两个问题,笔者都倾向于回答:不会。

     有知识也难免不做蠢事。尽管我们现在已经知道,男女之所以相爱,是因为我们的祖先在进化过程中受自然所驱使,今天的人类依然会坠入爱河。音乐知识同样如此,并不能阻碍人们享受音乐。

     后一个问题要复杂些。西奥多·阿多诺(Theodor Adorno) 就曾忧虑音乐会变得单调,但我们的研究并未能证实这点——美国各大排行榜的歌曲似乎保持着良好的多样性。原因在于,即便偏爱模仿成功音乐的音乐家始终存 在,也总有其他音乐家希望凭借不一样的独特音乐而大受欢迎,或是根本不在乎能否取得商业上的成功。笔者对未来音乐的趣味性完全不会担忧。