ScholarGate
Assistent
Machine learningTranscription

Automatisk musiktranskripsjon

Automatisk musiktranskripsjon er oppgaven med å konvertere lydopptak til symbolsk musikknotasjon (f.eks. noter med tonehøyde, anslag og varighet). Formalisert som et forskningsproblem av Klapuri (2008), representerer det en av de mest utfordrende oppgavene innen musikk-informasjonsgjenfinning. Transkripsjon muliggjør musikkutdanning, komposisjonsanalyse og digital bevaring. Moderne systemer, spesielt de som bruker dyp læring for pianomusikk (Hawthorne et al., 2019), har oppnådd betydelig fremgang, men er fortsatt langt fra perfekte på generell polyfon musikk.

Åpne i MethodMindSnartApply, compare, get guidance
Tools & resources
Last ned lysbilder
Learn & explore
VideoSnart

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Metodekart

Nabolaget av beslektede metoder — velg en node for å utforske.

Kilder

  1. Klapuri, A. (2008). Automatic music transcription as we know it today. Journal of New Music Research, 33(3), 323-337. DOI: 10.1007/978-0-387-30441-0_20
  2. Poliner, G. E., & Ellis, D. P. (2007). A discriminative model for polyphonic piano transcription. IEEE Transactions on Audio, Speech, and Language Processing, 15(3), 1116-1126. DOI: 10.1155/2007/48317
  3. Hawthorne, C., Elsen, E., Song, J., Roberts, A., Simon, I., Raffel, C., ... & Engel, J. (2019). Onsets and Frames: Dual-Objective Piano Transcription. In ISMIR. link

Slik siterer du denne siden

ScholarGate. (2026, June 3). Automatic Music Transcription Algorithm. ScholarGate. https://scholargate.app/no/music-information-retrieval/automatic-music-transcription

Hvilken metode?

Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.

Sammenlign side om side

Referert av

ScholarGateAutomatic Music Transcription (Automatic Music Transcription Algorithm). Hentet 2026-06-19 fra https://scholargate.app/no/music-information-retrieval/automatic-music-transcription · Datasett: https://doi.org/10.5281/zenodo.20539026