GiantMIDI-Piano

该数据集名为GiantMIDI-Piano，包含了来自2,786位作曲家的10,854首钢琴演奏作品，这些作品是从现场录音转录而来，并以MIDI格式编码。该数据集被划分为训练集、验证集和测试集，划分比例为90/10/0。为了增强训练过程，数据集中还应用了时间膨胀、速度移位和转调等数据增强技术。规模上，该数据集共有10,854个表演作品，其任务重点在于钢琴表演的修复和生成。This dataset is named GiantMIDI-Piano. It contains 10,854 piano performance works from 2,786 composers, which are transcribed from live recordings and encoded in MIDI format. The dataset is split into training, validation and test sets with a 90/10/0 split ratio. To enhance the training process, data augmentation techniques such as time dilation, tempo shifting and key transposition are applied to the dataset. In terms of scale, this dataset has a total of 10,854 performance works, and its core tasks focus on piano performance restoration and generation.

搜集汇总

数据集介绍

构建方式

在古典钢琴音乐信息检索领域，大规模符号化数据集的匮乏长期制约着音乐分析与生成研究的进展。GiantMIDI-Piano数据集应运而生，旨在填补这一空白。其构建过程始于对国际乐谱图书馆项目（IMSLP）网页的解析，从中提取出作曲家与音乐作品的名称信息。随后，研究团队利用这些元数据作为关键词，从互联网上搜索并下载对应的音频录音。为筛选出真正的独奏钢琴作品，系统训练了一个卷积神经网络进行音频层面的检测。最终，通过一个高分辨率钢琴转录系统，将筛选出的独奏钢琴录音转化为MIDI文件，每个文件均包含音符的起止时间、音高、力度以及踏板信息。该数据集收录了由2786位作曲家创作的10855首独奏钢琴作品，总计3870万个转录音符，其中约90%源自现场演奏录音。

使用方法

GiantMIDI-Piano数据集的应用领域极为广泛，为音乐信息检索与计算音乐学提供了坚实的支撑。研究人员可直接利用其包含的音符起止、音高与力度等精确信息，进行计算机辅助的音乐分析，如和弦结构、旋律线条与演奏风格的研究。在符号音乐生成任务中，该数据集可作为训练序列模型（如Transformer）的理想语料，用于生成具有古典风格的钢琴曲。此外，它还能用于评估与提升钢琴转录系统的性能，或作为音乐信息检索任务（如音乐标签分类）的基准数据。数据集的开源代码已在GitHub上发布，便于研究者复现与扩展，从而推动整个领域向着更深入、更精确的方向发展。

背景与挑战

背景概述

符号化音乐数据集在音乐信息检索与计算音乐学分析中扮演着至关重要的角色，然而长期以来，面向古典钢琴音乐的规模化符号资源却严重匮乏。2022年，由字节跳动研究团队主导构建的GiantMIDI-Piano数据集应运而生，旨在填补这一空白。该数据集通过解析国际乐谱图书馆项目（IMSLP）的元数据，从互联网检索并下载对应的音频录音，利用卷积神经网络进行独奏钢琴作品检测，并借助高分辨率钢琴转录系统将音频转换为MIDI文件。最终，GiantMIDI-Piano收录了来自2,786位作曲家的10,855首独特独奏钢琴作品，共计约38,700,838个转录音符，总时长超过1,237小时，成为迄今为止规模最大的古典钢琴MIDI数据集。该数据集的问世，为计算机辅助音乐分析、符号音乐生成、音乐信息检索以及表现力演奏分析等研究领域提供了前所未有的数据基础，显著推动了音乐信息检索学科的发展。

当前挑战

GiantMIDI-Piano数据集在构建与应用过程中面临多重挑战。首先，在领域问题层面，传统符号音乐数据集规模有限，难以支撑大规模音乐理论分析与深度学习模型的训练，而GiantMIDI-Piano通过自动化流水线解决了数据稀缺的问题，但转录质量受限于音频来源的多样性，例如部分录音音准偏差（如A4非标准440 Hz调音）导致高错误率。其次，在构建过程中，元数据匹配是核心难点，从IMSLP解析的作曲家与作品信息常与YouTube检索结果不一致，如关键词“Chartier”可能返回“Chopin”的演奏，导致约13%的元数据错误率。为此，研究团队引入了改进的Jaccard相似度阈值与作曲家姓氏约束策略，将精确度提升至97%以上。此外，钢琴转录系统虽在MAESTRO测试集上达到96.72%的起始F1分数，但在处理装饰音（如颤音、震音）及非标准演奏时仍存在约0.094的相对错误率，且数据集未包含节拍、调号、谱面信息，亦未分离乐谱与演奏表现力，限制了其在精细音乐分析中的应用。

常用场景

经典使用场景

在音乐信息检索与计算音乐学领域，GiantMIDI-Piano作为迄今规模最大的古典钢琴MIDI数据集，涵盖了超过一万部独奏钢琴作品，横跨从巴洛克至近现代的众多作曲家。其经典使用场景在于为基于深度学习的钢琴自动转录系统提供海量训练与评估素材，研究者可借助该数据集中的音符起止时间、音高、力度及踏板信息，构建高精度的多音轨转录模型，从而推动符号音乐分析技术的边界。

解决学术问题

该数据集有效解决了古典钢琴音乐领域长期缺乏大规模、高质量符号数据的学术困境。以往数据集如MAESTRO仅包含数百部作品，而GiantMIDI-Piano将作曲家规模扩展至近三千位，使得研究者能够系统性地分析不同时代、不同地域作曲家的音高类分布、音程偏好、三音列与四音列使用模式。这为计算音乐学中的风格分析、和声演进研究提供了坚实的数据基础，显著提升了音乐理论量化研究的统计可靠性。

实际应用

在实际应用层面，GiantMIDI-Piano为音乐教育、智能伴奏系统及数字音乐图书馆的构建提供了核心支撑。例如，钢琴学习者可通过该数据集对比不同演奏版本的MIDI表达差异，优化自身技巧；音乐流媒体平台可利用其训练风格分类与情感识别算法，实现个性化曲目推荐。此外，该数据集中的MIDI文件可直接驱动自动演奏乐器或虚拟钢琴软件，在音乐制作与现场演出中发挥桥梁作用。

数据集最近研究

最新研究方向

在音乐信息检索与计算音乐学领域，GiantMIDI-Piano作为迄今为止规模最大的古典钢琴MIDI数据集，正引领着符号音乐分析与生成的前沿探索。该数据集囊括了超过一万首独奏钢琴作品、近三千位作曲家的创作精华，总时长逾一千小时，其中九成为真实演奏录音，为深度学习驱动的钢琴转录、音乐风格量化及作曲家人风格识别提供了前所未有的数据支撑。当前研究热点聚焦于利用该数据集进行跨时代的音高、音程与和弦分布统计，揭示从巴洛克到近现代作曲家的创作演变规律；同时，其在符号音乐生成任务中扮演关键角色，助力生成式模型学习更富表现力的音乐结构。GiantMIDI-Piano的发布不仅填补了大规模古典钢琴符号数据集的空白，更推动了音乐人工智能从简单模仿向深度理解与创造性表达的跃迁，对音乐教育、自动作曲及表演分析等领域产生深远影响。

相关研究论文

• GiantMIDI-Piano: A large-scale MIDI dataset for classical piano music

  字节跳动 · 2022年