本文针对计划或开始使用 MIDI 文件的人员。这种格式在音乐界被广泛使用，由于数据集的可用性，它引起了计算机音乐研究人员的注意。

不过，MIDI 文件可以编码不同类型的信息。特别是，MIDI 乐谱和 MIDI 演奏之间有很大区别。如果没有意识到这一点，就会在无用的任务上浪费时间，或者错误地选择训练数据和方法。

我将介绍这两种格式的基本知识，并举例说明如何在 Python 中使用它们。

什么是 MIDI？

MIDI 是合成器之间的实时通信协议。其主要思想是在 MIDI 键盘上每次按下音符（音符打开）时发送一条信息，而在音符释放（音符关闭）时发送另一条信息。这样，接收端的合成器就知道该发出什么声音了。

MIDI

如果我们收集并保存所有这些信息（确保加上它们的时间位置），我们就有了一个可以用来重现乐曲的 MIDI 文件。除了音符开和关，还有许多其他类型的信息，例如指定踏板信息或其他控制器。

你可以考虑用钢琴滚轴来绘制这些信息。

请注意，这不是 MIDI 文件，而只是其内容的一种可能的表现形式！有些软件（本例中为 Reaper）会在 pianoroll 旁边添加一个小钢琴键盘，以便更直观地解读信息。

如何创建 MIDI 文件？

MIDI 文件主要通过两种方式制作： 1）用 MIDI 乐器演奏；2）手动写入音序器（Reaper、Cubase、GarageBand、Logic）或乐谱编辑器（如 MuseScore）。

每种制作 MIDI 文件的方法都会产生不同类型的文件：

1. 用 MIDI 乐器演奏 → MIDI 演奏
2. 手动编写音符（音序器或乐谱）→MIDI 乐谱

在开始之前，强调一下：我不会特别关注信息是如何编码的，而是关注可以从文件中提取哪些信息。例如，当我说 “时间用秒表示 ”时，意思是我们可以得到秒，尽管编码本身更为复杂。

MIDI 演奏

我们可以在 MIDI 演出中找到 4 种信息：

• 音符开始时：音符起音
• 音符何时结束：音符偏移量（或按偏移量-起音计算的音符持续时间）
• 演奏了哪个音符：音符音高
• 按键的 “力度”：音符速度

音符的起始和偏移（以及持续时间）以秒为单位，与演奏 MIDI 乐器的人按下和松开音符的秒数相对应。

音符音高用从 0（最低）到 127（最高）的整数编码；注意可表示的音符比钢琴可演奏的音符要多；钢琴的范围相当于 21-108。

音符速度也用从 0（静音）到 127（最大强度）的整数编码。

绝大多数 MIDI 演奏都是钢琴演奏，因为大多数 MIDI 乐器都是 MIDI 键盘。其他 MIDI 乐器（如 MIDI 萨克斯、MIDI 鼓和吉他的 MIDI 传感器）也存在，但并不常见。

最大的人类 MIDI 表演（古典钢琴音乐）数据集是谷歌 Magenta 的 Maestro 数据集。

MIDI 演奏的主要特性

MIDI 演奏的一个基本特征是，从来没有起音或持续时间完全相同的音符（理论上有可能，但实际上可能性极小）。

事实上，即使演奏者真的尝试，也不可能在同一时间按下两个（或更多）音符，因为人类所能获得的精确度是有限的。音符的持续时间也是如此。此外，对于大多数音乐家来说，这甚至都不是优先考虑的问题，因为时间上的偏差有助于产生更具表现力或更有节奏感的感觉。最后，连续的音符之间会有一些静音或部分重叠。

因此，MIDI 演奏有时也被称为非量化 MIDI。时间位置分布在一个连续的时间刻度上，而不是量化为离散的位置。

实际例子

让我们来看一段 MIDI 演出。我们将使用 GitHub 上的 ASAP 数据集。

在你最喜欢的终端（我在 Windows 上使用的是 PowerShell）中，转到一个方便的位置并克隆该版本库。

git clone https://github.com/fosfrancesco/asap-datasetclone https://github.com/fosfrancesco/asap-dataset

我们还将使用 Python 库 Partitura 打开 MIDI 文件，因此你可以在 Python 环境中安装该库。

pip install partitura

一切就绪后，让我们打开 MIDI 文件，打印前 10 个音符。由于这是 MIDI 演奏，我们将使用 load_midi_performance 函数。

from pathlib import Path
import partitura as pt
# set the path to the asap dataset (change it to your local path!)
asap_basepath = Path('../asap-dataset/')
# select a performance, here we use Bach Prelude BWV 848 in C#
performance_path = Path("Bach/Prelude/bwv_848/Denisova06M.mid")
print("Loading midi file: ", asap_basepath/performance_path)
# load the performance
performance = pt.load_performance_midi(asap_basepath/performance_path)
# extract the note array
note_array = performance.note_array()
# print the dtype of the note array (helpful to know how to interpret it)
print("Numpy dtype:")
print(note_array.dtype)
# print the first 10 notes in the note array
print("First 10 notes:")
print(performance.note_array()[:10])

这个 Python 程序的输出应该是这样的：

Numpy dtype:
[('onset_sec', '<f4'), ('duration_sec', '<f4'), ('onset_tick', '<i4'), ('duration_tick', '<i4'), ('pitch', '<i4'), ('velocity', '<i4'), ('track', '<i4'), ('channel', '<i4'), ('id', '<U256')]
First 10 notes:
[(1.0286459, 0.21354167,  790, 164, 49, 53, 0, 0, 'n0')
 (1.03125  , 0.09765625,  792,  75, 77, 69, 0, 0, 'n1')
 (1.1302084, 0.046875  ,  868,  36, 73, 64, 0, 0, 'n2')
 (1.21875  , 0.07942709,  936,  61, 68, 66, 0, 0, 'n3')
 (1.3541666, 0.04166667, 1040,  32, 73, 34, 0, 0, 'n4')
 (1.4361979, 0.0390625 , 1103,  30, 61, 62, 0, 0, 'n5')
 (1.4361979, 0.04296875, 1103,  33, 77, 48, 0, 0, 'n6')
 (1.5143229, 0.07421875, 1163,  57, 73, 69, 0, 0, 'n7')
 (1.6380209, 0.06380209, 1258,  49, 78, 75, 0, 0, 'n8')
 (1.6393229, 0.21484375, 1259, 165, 51, 54, 0, 0, 'n9')]

你可以看到，我们有以秒为单位的起始和持续时间、音高和速度。其他字段与 MIDI 演奏关系不大。

起音和持续时间也用刻度表示。这更接近 MIDI 文件对这些信息的实际编码方式：选择一个很短的时间长度（= 1 tick），所有时间信息都以这个时间长度的倍数编码。在处理音乐演奏时，通常可以忽略这些信息，直接使用以秒为单位的信息。

MIDI 乐谱

MIDI 乐谱使用更丰富的 MIDI 信息来编码时间符号、调号、小节和节拍位置等信息。

因此，它们类似于乐谱（乐谱），尽管它们仍然缺少一些重要信息，如音高拼写、连接、点、休止符、梁等。

时间信息不是以秒为单位编码，而是以更抽象的音乐单位（如四分音符）编码。

MIDI 乐谱的主要特性

MIDI 乐谱的一个基本特征是，所有音符的起始位置都与量化网格对齐，首先由小节位置定义，然后由递归整数分割（主要是 2 和 3，但也有其他分割，如 5、7、11 等......）用于小音符。

实践示例

现在我们来看看巴赫 C# 前奏曲 BWV 848 的乐谱，这就是我们之前加载的演奏乐谱。Partitura 有一个专门的 load_score_midi 函数。

from pathlib import Path
import partitura as pt
# set the path to the asap dataset (change it to your local path!)
asap_basepath = Path('../asap-dataset/')
# select a score, here we use Bach Prelude BWV 848 in C#
score_path = Path("Bach/Prelude/bwv_848/midi_score.mid")
print("Loading midi file: ", asap_basepath/score_path)
# load the score
score = pt.load_score_midi(asap_basepath/score_path)
# extract the note array
note_array = score.note_array()
# print the dtype of the note array (helpful to know how to interpret it)
print("Numpy dtype:")
print(note_array.dtype)
# print the first 10 notes in the note array
print("First 10 notes:")
print(score.note_array()[:10])

这个 Python 程序的输出应该是这样的：

Numpy dtype:
[('onset_beat', '<f4'), ('duration_beat', '<f4'), ('onset_quarter', '<f4'), ('duration_quarter', '<f4'), ('onset_div', '<i4'), ('duration_div', '<i4'), ('pitch', '<i4'), ('voice', '<i4'), ('id', '<U256'), ('divs_pq', '<i4')]
First 10 notes:
[(0. , 1.9958333 , 0.  , 0.99791664,   0, 479, 49, 1, 'P01_n425', 480)
 (0. , 0.49583334, 0.  , 0.24791667,   0, 119, 77, 1, 'P00_n0', 480)
 (0.5, 0.49583334, 0.25, 0.24791667, 120, 119, 73, 1, 'P00_n1', 480)
 (1. , 0.49583334, 0.5 , 0.24791667, 240, 119, 68, 1, 'P00_n2', 480)
 (1.5, 0.49583334, 0.75, 0.24791667, 360, 119, 73, 1, 'P00_n3', 480)
 (2. , 0.99583334, 1.  , 0.49791667, 480, 239, 61, 1, 'P01_n426', 480)
 (2. , 0.49583334, 1.  , 0.24791667, 480, 119, 77, 1, 'P00_n4', 480)
 (2.5, 0.49583334, 1.25, 0.24791667, 600, 119, 73, 1, 'P00_n5', 480)
 (3. , 1.9958333 , 1.5 , 0.99791664, 720, 479, 51, 1, 'P01_n427', 480)
 (3. , 0.49583334, 1.5 , 0.24791667, 720, 119, 78, 1, 'P00_n6', 480)]

可以看到，音符的起音都正好落在一个网格上。如果我们考虑 onset_quarter（第 3 列），就会发现 16 分音符每 0.25 个四分音符出现一次，正如预期的那样。

时长的问题比较大。例如，在这个乐谱中，16 分音符的持续时间应为 0.25。然而，我们可以从 Python 输出中看到，持续时间实际上是 0.24791667。这是因为用来生成 MIDI 文件的 MuseScore 将每个音符缩短了一点。为什么？为了让 MIDI 文件的音频效果更好一些。事实的确如此，但代价是给使用这些文件进行计算机音乐研究的人带来了许多问题。类似的问题也存在于广泛使用的数据集中，如拉克 MIDI 数据集。

MIDI 乐谱与 MIDI 演奏

鉴于我们看到的 MIDI 乐谱与 MIDI 表演之间的差异，让我为你提供一些通用指南，帮助你正确设置深度学习系统。

音乐生成系统首选 MIDI 乐谱，因为量化的音符位置可以用相当小的词汇量来表示，而且还可以进行其他简化，比如只考虑单音旋律。

对于以人类演奏和感知音乐的方式为目标的系统，例如节拍跟踪系统、节奏估算器和情感识别系统（侧重于富有表现力的演奏），使用 MIDI 演奏。

将这两种数据用于乐谱跟踪（输入：演奏，输出：乐谱）和表现性演奏生成（输入：乐谱，输出：演奏）等任务。

结论

MIDI 文件非常出色，因为它们明确提供了每个音符的音高、起音和持续时间等信息。这就意味着，与音频文件相比，针对 MIDI 数据的模型可以更小，并使用更小的数据集进行训练。