音樂情緒比例

本系統將訓練資料經由情緒計分公式計算後所得到的情緒計分模型對應到 Thayer 情緒模型的座標平面上會產生一個情緒位移的軌跡，根據不同的音樂特徵強度會得到相 對的加減分和位移結果，但是並不存在明確的邊界可以用來界定不同情緒之間的差異，

49

因此，本系統使用 GMM 分類器依據訓練資料的軌跡分布來定義各個情緒邊界的範圍，

這樣的設計概念可以幫助系統利用已訓練好的情緒邊界來辨別新的輸入音樂資料在每 個時刻的可能情緒為何，最後依時間長度比例統計整首歌曲在每個時間所屬的情緒指標 來作為系統中的情緒靜態比例。

接下來將詳細介紹情緒邊界的訓練和辨識結果之取得方式，如圖 29，說明訓練資料 情緒軌跡位移的取得方式，經由情緒計分公式實際計算後的情緒軌跡位移在剛開始計分 的時候會有一段得分累積的時間，因此訓練資料的取得為情緒軌跡位移後半段的部分，

也就是說，研究採用的訓練音檔時間長度為三十秒，但在實際分析中只採用音檔後二十 秒產生的結果，而每間隔幾個音框擷取一個軌跡作標作為訓練資料，如圖 30。

圖 29 貝多芬之月光奏鳴曲-情緒軌跡位移

50

圖 30 貝多芬之月光奏鳴曲-情緒軌跡位移所提供的訓練資料

系統經過 200 首已標籤單一情緒的訓練音檔經過情緒計分結果的情緒模型之座標對 應與軌跡的採樣過程後，將得到所有音樂片段情緒軌跡座標點的分佈圖，如圖 31，雖然 不同類別的訓練資料雖然有部分重疊，但大致上可以看到其分佈方式如最初假設一樣，

類似 Thayer 情緒模型中的分佈情形。綠色代表舒適的音樂情緒軌跡，集中在情緒平面 上壓力與能量皆比較小的區域；藍色代表哀傷的音樂情緒軌跡，集中在情緒平面上壓力 較大但能量小的區域；紅色代表焦慮的音樂情緒軌跡，集中在情緒平面上壓力較大且能 量也大的區域；黃色代表振奮的音樂情緒軌跡，集中在情緒平面上壓力較小但能量大的 區域。

51

圖 31 訓練資料之情緒樣本分佈

最後，經過四個情緒類別的 GMM 訓練與邊界範圍的計算，可以得到各個類別的機 率函數密度(PDF)和等高線的分布情形，最後在將四個情緒類別的 PDF 視為由數個高斯 函數疊加的分佈，試找出四個情緒類別之機率函數密度的交叉範圍，即為各個情緒類別 的邊界，如圖 32。

圖 32 GMM 分類結果與各類別的邊界範圍

52

在系統的測試模式下，當輸入新的音訊資料時，根據情緒計分公式的計算會得到一 個新的情緒計分軌跡座標點，系統對照情緒邊界範圍來判別每個軌跡座標點所屬的情緒 類別後，再統計四個情緒類別各自累積的時間點，最後經由加總四個情緒類別累積的時 間來計算整首音樂內容各自情緒累積的時間作為系統分析的靜態情緒比例。

圖 33 情緒類別辨識知結果

以理查克萊德門鋼琴演奏的歌曲－夢中的婚禮(Mariage Damour)為例，原本曲長為 兩分四十一秒的歌曲在經過多重主題結構分析的步驟後，被分割成五十七秒長的主題性 音樂片段，將此音樂片段輸入系統測試音樂情緒的成份，辨識每秒中音樂片段所屬的情 緒類別，如上圖 33 所示，對於長達五十七秒的音樂片段而言，其音樂情緒縮略圖組成 的情緒類別為 Content 和 Depression，最後再分別統計時間長度各個情緒類別的時間比 例就是系統測量的靜態情緒比例。