近年来，随着音乐信息检索（MIR）技术与生成式AI音乐产业的快速发展，垂直音乐领域的高精度标注数据集已经成为跨学科研究与产业应用的核心基础设施。其中，巴洛克音乐作为西方古典音乐的重要分支，其核心特征之一的数字低音即兴演奏，始终缺乏可用于实证研究的标准化符号化数据集，相关研究长期停留在理论分析层面，产业端的AI巴洛克音乐创作、风格识别等应用也面临训练数据不足的痛点。近日，查尔斯大学研究团队正式发布的The Aligned Continuo Realization Dataset（简称ACoRD），正是瞄准这一领域空白推出的核心数据成果，这也是全球首个面向数字低音即兴演奏场景的符号化数据集。
据公开资料显示，ACoRD数据集由查尔斯大学研究团队构建，共收录7位专业羽管键琴演奏者对5段巴洛克标准乐谱各5次的即兴演绎样本，累计形成175条标准化MIDI录音，单条录音平均包含105个演奏音符。为了解决即兴演奏与标准乐谱的匹配难题，研究团队采用动态时间规整技术实现了所有演奏样本与对应乐谱的毫秒级精确对齐，同时创新性地引入griff表征体系，对演奏过程中的和声结构、织体变化特征进行结构化标注，最大限度保留了不同演奏者的即兴表达细节，解决了此前同类数据集标注维度单一、匹配精度不足的问题。
从应用价值来看，ACoRD数据集的落地将为多个领域的研究与应用提供核心支撑：在音乐学术研究领域，该数据集填补了巴洛克数字低音即兴演奏实证研究的空白，可支撑学者开展不同演奏者的风格差异分析、约束性即兴创作的个性化表达边界研究、历史演奏实践的验证等工作，打破了此前相关研究仅能依赖文献记载的局限性；在音乐信息检索领域，基于数据集标注的和声特征、演奏风格标签，可进一步优化古典音乐检索系统的精度，实现基于演奏风格、和声特征的精准检索，甚至支持用户上传演奏片段匹配对应的乐谱与同类演奏样本；在产业应用层面，该数据集可用于训练AI模型生成符合巴洛克规范的数字低音即兴伴奏，辅助古典音乐创作者完成内容生产，也可用于智能音乐教育工具的开发，为巴洛克乐器学习者提供专业演奏参考、自动化演奏评价等功能。作为文化艺术领域的垂直细分数据集，ACoRD的发布也为数字文化资源的数据化、要素化转化提供了参考样本，进一步丰富了音乐领域的公共数据资源池，对推动音乐学与计算机科学的跨学科融合、AI音乐产业的垂直场景落地均具有重要意义。
查看The Aligned Continuo Realization Dataset (ACoRD)
详情页内容：
_1769672084863.jpg)