Modülasyona Uyarlanabilir Sistemlerde Yerel Gam Algılama Yoluyla Müzik Akorları Üretme

Abstract

Akor üretimi, statik, kural tabanlı sistemlerden, degi¸sken armonileri temsil etmekte ˘ oldukça fazla potansiyeli olan karma¸sık makine ögrenme modellerine kadar istikrarlı ˘ bir ¸sekilde geli¸smi¸stir. ˙Ilk modeller esneklik veya uyarlanabilirlik potansiyelini kısıtlayan katı ¸sablonlara dayanıyordu. Modern veri odaklı yakla¸sımlar karma¸sık armonik ili¸skileri yakalamada geli¸sme gösterse de, modülasyonları dahil etmekte ve uzun menzilli müzikal bagımlılıkları korumakta yetersiz kalmakta ve genellikle ˘ gam tespitinin çok basitle¸stirilmi¸s biçimlerine ba¸svurmaktadır. Bu tez, belirli bir melodi üzerinde akor üretme ile ilgilidir ve yukarıda belirtilen ana sınırlamaları, bagımsız olarak e ˘ gitilmi¸s ve ince ayarlanmı¸s bile¸senleri içeren yeni bir yakla¸sımla ˘ a¸smayı hedeflemi¸stir. Bu bile¸senler bir yerel gam algılama algoritması ve bir akor üretme modelinden olu¸sur. Yerel gam tespit algoritması melodi içindeki tonalite kaymalarını/modülasyonları dinamik olarak tespit ederken, akor üretim modeli degi¸sen ˘ tonal baglama göre armonik olarak tutarlı akor geçi¸sleri üretir. Bu unsurlar ba ˘ gımsız ˘ olarak egitildikten ve optimize edildikten sonra, hem uzun menzilli ba ˘ gımlılıklar ˘ arasında tutarlılıgı koruyan, hem de tonalitedeki de ˘ gi¸sikliklere dinamik uyarlamalar ˘ yapan tek bir bile¸sik modelde birle¸stirilirler. Bu tez, alı¸sılagelmi¸s yapıları modüler ve uyarlanabilir hale getirerek mevcut akor üretim sistemlerindeki dezavantajlara etkili bir çözüm önermektedir. Bu sistemin son versiyonunun iyi bilinen parçaların melodileri üzerinde yeterli performans gösterdigi gösterilirken, bu performansı geli¸stirme adına ˘ potansiyel yollar tartı¸sılmaktadır. Anahtar Kelimeler: yerel gam saptama, sembolik gam bulma, akor üretimi, modülasyon, makina ögrenmesi, müzik bilgi çıkarımı

Chord generation has evolved extensively from static, rule-based systems to complex machine learning models with the potential for much nuance in stylistically variant harmonic progressions. Early models relied on rigid templates, restricting potential for flexibility or adaptability. While modern data-driven approaches has improved in capturing complex harmonic relationships, they remain inefficient at incorporating modulations and maintaining long-range musical dependencies, often resorting to much-simplified forms of global key detection. This dissertation is concerned with generating chords over a given melody, and addresses the aforementioned main limitations through a new approach entailing independently trained and finetuned components: a local key detection algorithm and a chord generation model. The local key detection algorithm dynamically detects shifts/modulations of tonality within the melody, while the chord generation model generates harmonically coherent progressions with respect to the changing tonal context. Once these elements have been independently trained and optimized, they are combined into one compound model that makes dynamic adaptations to changes in tonality while managing coherence across long-range dependencies. This dissertation proposes an effective solution to the drawbacks in current chord generation systems by making the architecture modular and adaptive. The final version of this system is demonstrated to perform adequately on melody lines of well-known pieces, while potential avenues to explore are discussed. Keywords: local key detection, symbolic key finding, chord generation, modulations, machine learning, music information retrieval