Aktuelle Entwicklungen in der Automatischen Musikverfolgung

TL;DR

This paper reviews recent advances in real-time automatic music tracking, emphasizing improvements in flexibility, usability, and the integration of deep learning techniques for direct audio-to-score correspondence.

Contribution

It highlights current developments focusing on making automatic music tracking more flexible and user-friendly, especially through deep learning approaches that bypass complex intermediate representations.

Findings

Deep learning enables direct audio and sheet music correspondence.

Recent methods improve identification and flexible tracking of musical pieces.

Focus on enhancing usability and adaptability of music tracking algorithms.

Abstract

In this paper we present current trends in real-time music tracking (a.k.a. score following). Casually speaking, these algorithms "listen" to a live performance of music, compare the audio signal to an abstract representation of the score, and "read" along in the sheet music. In this way at any given time the exact position of the musician(s) in the sheet music is computed. Here, we focus on the aspects of flexibility and usability of these algorithms. This comprises work on automatic identification and flexible tracking of the piece being played as well as current approaches based on Deep Learning. The latter enables direct learning of correspondences between complex audio data and images of the sheet music, avoiding the complicated and time-consuming definition of a mid-level representation. ----- Diese Arbeit befasst sich mit aktuellen Entwicklungen in der automatischen Musikverfolgung durch den Computer. Es handelt sich dabei um Algorithmen, die einer musikalischen Auff\"uhrung "zuh\"oren", das aufgenommene Audiosignal mit einer (abstrakten) Repr\"asentation des Notentextes vergleichen und sozusagen in diesem mitlesen. Der Algorithmus kennt also zu jedem Zeitpunkt die Position der Musiker im Notentext. Neben der Vermittlung eines generellen \"Uberblicks, liegt der Schwerpunkt dieser Arbeit auf der Beleuchtung des Aspekts der Flexibilit\"at und der einfacheren Nutzbarkeit dieser Algorithmen. Es wird dargelegt, welche Schritte get\"atigt wurden (und aktuell get\"atigt werden) um den Prozess der automatischen Musikverfolgung einfacher zug\"anglich zu machen. Dies umfasst Arbeiten zur automatischen Identifikation von gespielten St\"ucken und deren flexible Verfolgung ebenso wie aktuelle Ans\"atze mithilfe von Deep Learning, die es erlauben Bild und Ton direkt zu verbinden, ohne Umwege \"uber abstrakte und nur unter gro{\ss}em Zeitaufwand zu erstellende Zwischenrepr\"asentationen.