Batik-plays-Mozart Corpus

Batik-plays-Mozart Corpus是由计算感知研究所创建的高质量钢琴表演数据集，包含由维也纳钢琴家Roland Batik演奏的12部莫扎特钢琴奏鸣曲共36个乐章。数据集不仅提供了MIDI文件和音频记录，还精确地将每个音符与新莫扎特版乐谱对齐，并连接到音乐学注释，如和声、终止式和乐句结构。该数据集的创建过程涉及精确的音符级对齐和专家注释，旨在为研究表现性和结构方面的关系提供宝贵资源，特别是在音乐信息检索领域。

The Batik-plays-Mozart Corpus is a high-quality piano performance dataset created by the Institute of Computational Perception. It comprises 36 movements from 12 Mozart piano sonatas performed by Vienna-based pianist Roland Batik. In addition to providing MIDI files and audio recordings, the dataset precisely aligns each individual note with the newly edited Mozart score, and links to musicological annotations including harmony, cadence, and phrase structure. Developed via precise note-level alignment and expert annotation, this dataset serves as a valuable resource for researching the relationship between musical expressivity and structural aspects, particularly within the field of Music Information Retrieval (MIR).

搜集汇总

数据集介绍

构建方式

在音乐信息检索领域，精准的演奏与乐谱对齐是研究表现性演奏的关键前提。Batik-plays-Mozart Corpus的构建始于维也纳钢琴家Roland Batik在计算机监控的Bösendorfer SE290大钢琴上录制的十二首莫扎特钢琴奏鸣曲（共36个乐章），原始数据以高精度MIDI格式（时间分辨率1.25ms）及对应音频形式保存。研究团队首先利用现有对齐文件，通过partitura工具提取旧有的乐谱与演奏音符数组及对齐关系；随后将Hentschel等人提供的MuseScore格式乐谱（基于新莫扎特版）转换为MusicXML，并生成新的乐谱音符数组。通过展开重复结构以适应实际演奏中的反复，团队创建了乐谱-乐谱对齐，手动校正因乐谱错误、版本差异、双声部音符、装饰音及华彩段落引发的未匹配项。最终，依据此对齐更新原有的演奏-乐谱映射，形成以match文件格式编码的逐音符对应关系，涵盖匹配、删除（未演奏的乐谱音符）与插入（即兴装饰音）三种类型。

特点

该数据集的核心特质在于其前所未有的精度与多维整合性。作为首个将专业演奏、标准乐谱与音乐学注释（和声、终止式、乐句）在逐音符层面无缝链接的资源，Batik-plays-Mozart Corpus包含约102,400个演奏音符，其中95.36%与乐谱音符精确匹配，4.44%为插入的装饰性音符，仅约200个乐谱音符被省略。每首作品均提供MIDI演奏文件、MusicXML乐谱、match对齐文件及音符数组，数组详细记录每个音符的ID、起止时间（秒与MIDI滴答）、力度与音高信息。尤为独特的是，乐谱注释通过四分拍和节号与对齐后的乐谱音符数组关联，可进一步展开以反映实际演奏中的重复结构。这种高精度对齐克服了以往数据集在节拍级或转录级的不确定性，为研究微时值、力度变化等表现性参数与和声密度、终止式类型等结构特征间的细粒度关系提供了理想平台。

使用方法

研究者可通过多种方式利用该数据集进行表现性演奏分析。基础用法是直接利用match文件获取逐音符的演奏-乐谱对应，从而精确计算局部速度曲线（如通过相邻音符的起奏间隔与记谱时值比得出节拍周期）或力度变化模式。高级应用则结合音乐学注释：例如，通过将和声标签密度与全局演奏速度（每分钟四分音符数）关联，可复现并验证和声变化率与速度间的线性关系，同时利用实际重复结构纠正以往基于假设的估算偏差。更精细的研究可聚焦于特定结构点，如分析终止式前一个四分音符窗口内的局部速度变化，区分终止式类型（完全/不完全终止、半终止）及节拍位置（强拍/弱拍），以揭示演奏家在不同速度等级下对节奏张弛的调控策略。所有数据均以标准化格式公开于GitHub，便于使用partitura等Python库直接解析与处理。

背景与挑战

背景概述

在音乐信息检索领域，对钢琴演奏中细微表现力（如时间微调、力度变化、分句处理等）的建模研究日益依赖高质量、高精度的数据集。然而，现有大规模数据集多基于音频转录的MIDI，缺乏与乐谱的精确逐音对齐，且音乐学标注（如和声、终止式、乐句结构）的整合极为稀缺。为弥补这一鸿沟，Patricia Hu与Gerhard Widmer于2023年提出了Batik-plays-Mozart语料库。该数据集由林茨约翰内斯·开普勒大学与林茨理工学院联合创建，聚焦维也纳钢琴家Roland Batik在Bösendorfer SE290大钢琴上演奏的12首完整莫扎特钢琴奏鸣曲（36个乐章），提供精确逐音对齐的MIDI表演、标准新莫扎特版乐谱及此前Hentschel等人发布的音乐学标注。作为首个将专业演奏、乐谱与结构化解析融为一体的语料库，它为探究表现性演奏与音乐结构间的深层关联奠定了坚实基础，在音乐信息检索与计算音乐学领域具有里程碑意义。

当前挑战

该数据集面临的核心挑战在于多维度。首先，在领域问题层面，现有数据集如ASAP虽规模庞大，但仅提供节拍级对齐，而Vienna4x22或CrestMuse PEDB虽实现逐音对齐，却缺乏和声与终止式等深度音乐学标注。Batik-plays-Mozart需同时解决高精度逐音对齐与结构标注的缺失问题，以支持对演奏中微时距、力度变化与乐谱特征间关系的量化分析。其次，在构建过程中，挑战尤为显著：不同乐谱版本（如第一版装饰音标记）与表演间的差异需手动校正；双声部音符、倚音、华彩段及自由拍小节等边缘情况编码复杂，需大量人工干预以确保对齐准确性。此外，将原始手动对齐迁移至新乐谱标注系统时，需逐一验证匹配、插入与删除类型，涉及约102,400个音符的精细处理，最终达成95.36%的匹配率，体现了数据精炼的极高难度。

常用场景

经典使用场景

在音乐信息检索与表演分析领域，Batik-plays-Mozart Corpus 的核心用途在于连接乐谱、演奏细节与音乐学注释，从而实现对莫扎特钢琴奏鸣曲演奏表现力的精细刻画。研究者可借助该数据集，从音符级别的对齐信息出发，深入分析演奏者在节奏、力度、发音等方面的微妙变化，并探究这些表现性特征与乐谱中标注的和声、终止式及乐句结构之间的内在关联。该数据集为探索演奏风格、表现意图与音乐结构之间的复杂交互提供了前所未有的精确数据基础。

解决学术问题

该数据集解决了现有钢琴演奏数据集中普遍存在的精度不足与结构注释缺失的学术难题。此前，大规模MIDI数据集多依赖音频转录，存在音符错位和细节丢失的问题；而精确录制的MIDI数据又往往缺乏与乐谱的细致对齐及音乐学标注。Batik-plays-Mozart Corpus 首次将专业演奏家的高精度MIDI演奏、标准乐谱（新莫扎特版）以及专家标注的和声、终止式与乐句结构三者融为一体，使得研究者能够精准量化演奏中的速度波动、力度变化与结构标记之间的对应关系，从而推动了对演奏表现力建模、风格迁移及音乐理解等前沿课题的深入探讨。

衍生相关工作

基于Batik-plays-Mozart Corpus 的独特结构，已催生了一系列相关研究工作。论文中展示的初步实验，如探索全局速度与和声密度之间的线性关系，以及分析不同终止式类型（如正格终止与半终止）前的局部速度变化，为后续研究提供了可复现的方法论。这些工作进一步衍生出对演奏中节奏自由度与结构张弛关系的量化分析，并启发了将音乐学注释作为约束条件引入表现力生成模型的思路。此外，该数据集与Annotated Mozart Sonatas 数据集的直接链接，为跨数据集的和声与演奏联合分析铺平了道路，促进了音乐理论计算建模与表演实践研究的深度融合。