Annotation automatisée des métadonnées structurelles dans les partitions musicales : cas des modulations et des cadences pour la forme sonate

Automated annotation of structural metadata on symbolic scores : cadence detection and key estimation in sonata form

• Auteur / Autrice : Laurent Feisthauer
• Direction : Mathieu Giraud, Florence Levé
• Type : Thèse de doctorat
• Discipline(s) : Informatique et applications
• Date : Soutenance le 18/05/2021
• Etablissement(s) : Université de Lille (2018-2021)
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Informatique, Signal et Automatique de Lille - Centre de Recherche en Informatique- Signal et Automatique de Lille - UMR 9189 / CRIStAL
• Jury : Examinateurs / Examinatrices : Louis Bigo, David Sears, Marc Tommasi, Anja Volk
• Jury : Rapporteurs / Rapporteuses : Marc Rigaudière, Philippe Rigaux

Mots clés

Mots clés contrôlés

Tonalité

Cadence (harmonie)

Forme sonate

Analyse des données symboliques

Apprentissage automatique

Analyse musicale

Informatique musicale

Mots clés libres

Extraction d’information musicale

Cadence

Key Detection

Music Information Retrieval

Machine learning

Harmony

Musical Score

Résumé

Cette thèse s’inscrit dans le domaine de l’informatique musicale et plus particulièrement de l’analyse musicale computationnelle. Ces études ont pour but de générer des annotations musicales plus ou moins haut-niveau sur une partition, en particulier pour comprendre la genèse, le geste compositionnel ou encore sa place dans l'œuvre globale d'un compositeur. Cette thèse propose de nouvelles approches basées sur la modélisation, l'algorithmique et l’apprentissage machine pour modéliser la tonalité, un système musical qui permet de hiérarchiser et contextualiser les notes, ainsi que les cadences, qui sont les processus de clôture des phrases musicales. Nous souhaitons ainsi aider à l'analyse d’œuvres en forme sonate.Nous présentons trois corpus établis durant la thèse -- quatuors à cordes de Mendelssohn, quatuors à cordes de Mozart et exemples de modulation -- et discutons les étapes et problématiques d'un tel travail. Nous concevons un algorithme d’estimation des tonalités en tout point de la partition, utilisant une nouvelle modélisation du système tonal pour identifier les points de modulation. Il estime à chaque temps trois signaux musicaux : l’ancrage dans la tonalité, la compatibilité des notes avec une tonalité donnée et la proximité entre les tonalités. L'algorithme est évalué sur des corpus de Mozart et de modulations. Nous établissons un algorithme de détection des cadences par l’extraction de descripteurs haut-niveau caractéristiques de la présence d’un point d’arrivée cadentiel sur la partition musicale. Nous étudions la significativité de chacun de ces descripteurs, puis ceux-ci servent à entraîner un algorithme d’apprentissage qui classe chaque temps de la partition comme un point d’arrivée cadentiel ou non. Cet algorithme est évalué sur un corpus de fugues de Bach et de quatuors à cordes d'Haydn et est adapté à la détection d'une cadence particulière significative pour la forme sonate, la césure médiane.Cette thèse contribue donc à la modélisation informatique de concepts musicaux haut-niveaux comme la tonalité et la forme musicale.

This PhD thesis is in Music Information Retrieval (MIR). More specifically, Computational Music Analysis (CMA) studies aim to generate musical annotations on scores to understand how it has been composed and how it characterizes the style of a composer. In this dissertation, we propose original models and algorithms, inspired by machine learning and music theory, to model tonality, a musical system that organizes pitches, and cadences, which are processes of closing a musical sentence. These models should help to analyze pieces in sonata form.Three corpora were established during this PhD -- Mendelssohn string quartets, Mozart string quartets, and modulation excerpts. We discuss the methodology of corpus creation along with the issues encountered.We design an algorithm for local key detection, aiming to improve previous studies by modeling the tonal system to find modulation points and improve the results of the state of the art. It computes three musical signals on each beat of the score: pitch compatibility, harmonic anchoring, and key relationship proximity. This algorithm is evaluated on the Mozart corpus and the modulation corpus. We also propose an algorithm to detect cadences. It extracts high-level musical features that characterize the presence of a cadential arrival point on the score. We study the significance of the features and use them to train a machine learning algorithm that classifies each beat of the score as a cadential arrival point or not. This algorithm is evaluated on a Bach fugue corpus and Haydn string quartets corpus. It is also adjusted and used to find a peculiar cadence found in sonata forms, the medial caesura.The thesis thus aims to improve computational models of high-level music concepts such as harmony and musical form.