原創 翁垟 果殼

過去一年的科技熱點，你還記得哪些？是不是也曾被其中一些所吸引，甚至樂此不疲地和同好們陷入“爭吵”？

新年之初，果殼為你準備了幾個小故事，都是關于過去一年那些引起全社會熱議的技術現象，以及環繞著它們的觀點爭鳴。我們同你一起，一邊復習這些故事，一邊期待著新年的更多技術趣味。

技術不止兩面，我們的每個人的態度都彌足珍貴，“爭吵”讓它變得更加美好。

一邊在朋友圈曬年度聽歌總結，一邊抱怨“華語樂壇不行了”，這“習俗”延續多少年了？

平臺收聽榜上怎么還是周杰倫？綜藝節目里怎么還是張韶涵？KTV 里怎么還是“死了都要愛”？超市里怎么還是“恭喜你發財”？

過年指定 bgm ｜《恭喜發財》

最簡單暴力的回答是：新歌都不行，華語樂壇已經完蛋了！

《青年理工工作者生活研究所》研究員小凡不太信服這套說辭，作為機械設計制造及其自動化出身的一位理工科生，他想，是否能用一種基于計算的、更客觀的方式，真實地展現這些年華語音樂的變化，一舉終結這場疑問和爭吵？

抱著這個想法，他進入了一場意想不到的、為期一整年的漫長搏斗，最終，得出了一個有些超出預期的答案。

答案在聲波中飄

理想的方式是設計一套算法，教會機器給歌曲打分。好歌分高，差歌分低，再比較一下分數，一目了然。但好與壞，既抽象又主觀，想讓機器得出客觀量化的評價，就必須先在歌曲之間進行比較計算。

這意味著第一件事就是要將一首歌轉換為數字。小凡選擇的是分析一首歌的聲波。

把一首歌放到剪輯軟件里，就會看到它的波形。這個波形不僅能呈現一首歌聲音的大小，同時也包含了很多其他信息。人耳僅僅通過聽就可以輕松分辨出一首歌的歌手、風格、類型，甚至是現場還是錄音。如何讓電腦也能聽懂呢？通過深度學習。

首先，他把每首歌掐頭去尾，隨機截取 90 秒音頻，分成連續的 1800 個小段，每一段做傅立葉變換。每一個音都是由多個不同的頻率振動組合而成，在這里，傅立葉變換的作用就是把每個小段中包含的頻率分離出來，以便深度學習模型理解。

圖片來源：《青年理工工作者生活研究所》

計算后，每首歌都變成了一個 1800 列乘 3248 行的數據表格，表明這 90 秒歌曲中都包含了哪些頻率。因為數據量太大，他繼而進行了兩次壓縮，將代表每段歌曲的數據縮減到 600 個數字。

這個過程可以理解成一張圖片像素不斷降低的過程，期間信息發生了大幅的減損。為了保證圖片質量降低后你仍然能認出圖片內容，保留哪些像素，剔除哪些像素就變得很重要。

圖片來源：pixabay

小凡希望通過這 600 個數字是能“認出”這首歌的，就像識圖的深度學習模型能認出一只狗是狗，一只貓是貓。

為訓練這個模型，他收集了 1977 到 2022 年間的 5400 首流行歌曲。

這里的歌曲選擇有一個原則，就是標簽之間有交叉，“比方說 abc 三個歌手的歌里，都有 m 這個作曲家，那 a 唱的歌里面，還會找找其他人作曲的。網狀的交叉越多，就對這個模型的學習就越有好處”。

這是為了避免模型在不同標簽之間產生死板的關聯，也就是算法偏見。比如周杰倫方文山是一個很常見的搭配，這時就要多找一些方文山給別人寫的歌，來制造交叉。

深度神經網絡在輸入與輸出之間通常有多個隱藏層 ｜bmcblogs

接下來，他需要設置一些“正確答案”，一些能夠描述這些歌曲的標簽，歌手、作曲之外，還有年份、感情色彩、音樂類型、曲風、拍號、調式等。

學習過程簡而言之，就是讓神經網絡通過層層計算得出 600 個數字，來猜測一首歌的對應信息：是誰唱的？什么調式？猜不準就返回去重新算，直到猜中為止，循環往復 5400 次。

回到打標簽，起初，類別沒有確定，他需要邊聽邊總結。比如對于音樂類型，他就總結出純音樂、反叛、戀愛悲傷、戀愛甜蜜、魔幻、生活、耍帥、主題等八種類型。

乍一看，這似乎并不足夠細致全面，但實際上這一步并非要給歌曲提供一個十足科學的分類，“最大的目的是體現出歌之間的區分度，只要足夠讓類型不同的歌被打到不同的標簽，之間不混淆就可以了。”

定下類別后，數據標記就成了純純的體力活。小凡完全投入其中，花了兩三個星期才標注完五六百首歌，不得不對外求援，最終，雇了幾位音樂專業的學生加入這項工作，前后花費了快兩個月時間才完成。

模型經過一定學習后的“猜歌”結果｜《青年理工工作者生活研究所》

“平均歌”也有春天

分類和數據標注之后，擺在小凡面前的仍是滿滿一堆數字——它們代表的意義是什么？又如何將這些數據抽絲剝繭結構起來，以回答開頭那個爭論不休的問題呢？

研究最開始，小凡想過一個“信息熵”的概念。簡單理解就是一首歌信息的復雜程度。可以設計一個程序，檢測每首歌之間是否存在重復相似，如果存在，就價值變低。

但這仍太抽象太復雜了，評判標準也不太有說服力。經歷了近半年的“亂跑亂采訪”，思路不斷碰壁，他靈光一閃，一個新的概念浮現出來：平均歌。

平均，意味著普通、不出彩、爛大街，似乎不是一個正面的評價。但在歌曲的范疇里，它卻也往往是最符合和體現大眾口味的。從計算的角度，平均歌意味著在選定范圍里，和這首歌相像的歌是最多的。

既然要計算平均，那就要先選出樣本范圍和參照系。

通過歷年的網友總結和騰訊音樂榜單，他找到了從 1998 年開始，每年最熱的 100 首歌的歌單，總共兩千多首。

這時候，就可以搬出那個復雜的深度學習模型來進行計算了。利用模型，為每首歌生成能代表它們的 600 個數字——把它們看作 600 維空間中的點，就可以了解數字和數字之間的關系，計算平均點的位置。

圖片來源：《青年理工工作者生活研究所》

由于平均點上很可能并不存在一首真實的歌，那么平均歌就是最靠近那個點的那首歌。結論是一張長長的、經過排序的歌單，從中能看到每一年的平均歌是什么。

歷年平均歌結果｜《青年理工工作者生活研究所》

但這并沒有如他起初設想的一樣，驗證那個簡單粗暴的結論：華語歌越來越差了。反而，每一年的平均歌聽下來并沒有顯現出那么大的變化。

小凡跑去征求工作室音樂編輯的意見。對方回應感受：?樂隨著年代的變化中，混?的變化很明顯， 90 年代很多歌曲以合成器??為主導， 00 年代真實樂器的錄??平提?，近兩年??越來越激烈，可能和嘻哈?樂的興起有關系。

但對于平均歌，共性反而大于不同：整體平均歌都是講求明確清晰的主旋律，并且很少離調/轉調/變換基礎的節奏型。

這個結論似乎有點平淡，遠不比人們的想象。

想把“離譜歌”唱給你聽

這時，小凡被最遠離“平均”的那些數據所吸引了。歌單按照歌曲與平均點之間的距離排序，第一首是距離最近的，那么越往下便是距離越遠的歌。這些歌在各自的特定年代都是特立獨行，跟誰都不太一樣——小凡把稱它們為“離譜歌”。

右邊離散出來的點就代表著格格不入的離譜歌｜數據來源：《青年理工工作者生活研究所》

離譜歌反而讓人眼前一亮。首先，它們的確顯現出相比于時代的“離譜性”，比如 1999 年位于倒數第五的《挫冰進行曲》，2004 年位于倒數第四的《波斯貓》。還有一個男人，在最活躍的十年幾乎霸榜離譜歌榜單：周杰倫。

對此，樂評人重輕表示，周杰倫的?樂在許多??背離傳統和主流的?樂語?。所以他發專輯的年份都是離譜在列，“這是最了不起的，開拓邊界的?樂?。”

整體而言，并非像許多人想象的，如今人的審美變得非常糟糕，才導致“抖音神曲”流行。反而，樂評人叨叨馮評價，“這份榜單體現出大眾的主流審美其實變化是緩慢、相對穩定的”，但如果是為了迎合?眾審美?創作，“那么寫歌快、容易成為熱歌的同時，也容易和以往的歌聽起來相似”。

對于小凡來說，近幾年的離譜歌他第一感受是“不愛聽”，“像是蹦迪的歌，不是你愿意跟著唱的歌”。從數量上看，2010 年前的離譜歌看起來似乎也更離譜一些，離譜值高的歌曲數量更多。

創新性沒有以前高，受歡迎的程度也遠不比從前，這或許就導致這些原本應當開拓邊界的離譜歌，不再像周杰倫的歌曲那樣，具備挑戰邊界、引領大眾審美的能力。

若算法回答是個錯誤，愿你我沒有白白受苦

最初啟動這個項目的時候，恰逢 2021 年末，一則視頻在網絡上被瘋狂傳閱，那是騰訊音樂發布的十大熱歌榜單。聽完網友幾乎意見一致地給出結論：華語樂壇完蛋了。

圖片來源：TMEA年度十大熱歌

小凡對于這個話題的興趣，不僅是想要驗證它，也是源于對于這個論斷的一絲懷疑。“總體上我還是比較相信，中國人也不笨，還是有很多人在寫歌，理論上應該有好歌的，但為什么好像我們見不到，聽不到？我很好奇。”

對于當前的結論，他多少感到有點遺憾，音樂沒有變得更差，但作為藝術去激發我們，帶來新奇感的能力似乎確實陷入了停滯。

但也不是所有人都認同這個結論。小凡將研究過程做成視頻發到網上，引發網友之間激烈的討論。有的網友認為，流行音樂并不等于音樂，流行音樂變成商品，變得套路化，但音樂本身仍處于無盡的創新和變化之中，只是在當前的機制下變得更難被人看到了。

也有人建議，可以把過去的“離譜歌”放到幾年后對比，看它是否仍然“離譜”。

網友評論之外，這個研究將代表一段歌曲頻率的 500 萬個數字壓縮到 600 個，勢必面臨過度簡化，信息大量丟失的問題。這 600 個數字多大程度上能代表背后的這首歌呢？小凡看來，或許是七成左右。

進一步改進，理論上他也可以打更多的標簽，讓歌曲之間區分的更明顯。目前這樣的大分類之下，兩首聽起來挺不同的兩首歌，還是有可能被打上相似的標簽——就像人臉識別，將兩個人的臉識別成一個人。

另一個遺憾是，在更正規的深度學習項目中還一定會設置交叉驗證的過程。從不同的起點，用不同路徑去算，看看能不能抵達相同的終點。這個研究中沒能設置這樣的環節。

那說到底，華語樂壇到底完沒完蛋呢？

一番大費周章之后，人們仍沒能得到一個可以一勞永逸的結論。這么做的意義或許就在于，為這個似乎無解的爭論，拓展了討論的可能性，在“回憶濾鏡”、“奶頭樂消費”之類用以互相攻擊的詞匯之外，提供了一個新的理解視角和一些新的論據。

參考文獻

[1] 騰訊視頻紀錄片《青年理工工作者生活研究所》，第14集，華語樂壇真的要不行了嗎？https://v.qq.com/x/cover/mzc00200p29k31e/r0045dm9z5v.html

[2] https://www.bmc.com/blogs/deep-neural-network/

[3] https://www.bilibili.com/video/BV1m8411P7v7/

作者：翁垟

閱讀原文