Υπολογιστική αναγνώριση μέτρου, ρυθμού και δρόμου σε ιστορικές ηχογραφήσεις ρεμπέτικου (1900–1960)

Μεθοδολογικό σημείωμα · rebetiko.sealabs.net · Αύγουστος 2026

1. Εισαγωγή
2. Δεδομένα και σύνολα αναφοράς
3. Αναγνώριση μέτρου
4. Ταξινόμηση ρυθμού
5. Αναγνώριση δρόμου και τονικής
6. Συγκεντρωτικά αποτελέσματα
7. Συζήτηση
8. Τι προστέθηκε
9. Αρνητικά αποτελέσματα
10. Περιορισμοί και μελλοντική εργασία
11. Λογισμικά
12. Βιβλιογραφία

1. Εισαγωγή

Το ρεμπέτικο αποτελεί ένα από τα ελάχιστα μη δυτικά ρεπερτόρια με μεγάλο ψηφιοποιημένο σώμα ιστορικών ηχογραφήσεων, πλούσια κοινοτική τεκμηρίωση και δικό του τροπικό σύστημα (τους «δρόμους», συγγενείς αλλά όχι ταυτόσημους με τα οθωμανικά μακάμια). Η αυτόματη μουσικολογική του επισημείωση παρουσιάζει τρεις ιδιαιτερότητες που τη διαφοροποιούν από τις καθιερωμένες εργασίες ανάκτησης μουσικής πληροφορίας: (α) οι ηχογραφήσεις 78 στροφών φέρουν θόρυβο βελόνας, περιορισμένο φασματικό εύρος και απόκλιση ταχύτητας μεταγραφής που μετρήθηκε από 74 έως 82 στροφές ανά λεπτό, δηλαδή έως ±5% σε τέμπο και τονικό ύψος· (β) οι ρυθμοί του ρεπερτορίου περιλαμβάνουν εννεάσημα μέτρα με παραλλαγές που διαφέρουν σε επίπεδο υποδιαίρεσης· (γ) το συγκερασμένο μπουζούκι εξαλείφει τα μικροδιαστήματα στα οποία στηρίζεται η καθιερωμένη ανάλυση μακάμ.

Τι έγινε εδώ: πρότυπα κατανομών τονικού ύψους εκπαιδευμένα στους ελληνικούς δρόμους — και σε δρόμους που δεν υπάρχουν στην τουρκική θεωρία· συνδυασμός των στατικών κατανομών με στατιστικές μεταβάσεων της μελωδίας, ως αντιστάθμισμα της συγκέρασης (+3,0 μονάδες)· η μέτρηση ότι η ταξινόμηση δρόμου θέλει συνεπές — όχι κατ' ανάγκην ορθό — σημείο τονικής αναφοράς· η διαπίστωση, με ελεγχόμενη ακρόαση, ότι οι παραλλαγές του ζεϊμπέκικου διακρίνονται μόνο σε ανάλυση δεκάτων έκτων· και η χρήση όσων έχουν γραφτεί στο φόρουμ της σελίδας για να περιοριστεί ο χώρος αναζήτησης, που απέδωσε περισσότερο από κάθε αλγοριθμική επιλογή.

2. Δεδομένα και σύνολα αναφοράς

Το σώμα αποτελείται από 14.628 ηχογραφήσεις (μονοφωνική μίξη, 22.050 Hz για την ανάλυση), με μεταδεδομένα συλλογικά επιμελημένα επί δύο δεκαετίες. Τα δεδομένα αναφοράς των πειραμάτων (ground truth) — δηλαδή οι «σωστές απαντήσεις» πάνω στις οποίες εκπαιδεύονται και βαθμολογούνται οι μέθοδοι — προέρχονται από τρεις πηγές:

Η εξαγωγή ετικετών από ελεύθερο ελληνικό κείμενο απαιτεί έλεγχο συμφραζομένων: τα εμπεριεχόμενα λεξήματα (το επώνυμο «Τσαουσάκης» περιέχει το «Ουσάκ»· το «Θεόφραστος» το «Ραστ») παρήγαγαν εκατοντάδες ψευδώς θετικά πριν από τον χειρωνακτικό έλεγχο των κανόνων.

3. Αναγνώριση μέτρου

Οι γενικοί ανιχνευτές παλμού της βιβλιογραφίας υποθέτουν σιωπηρά δυτικό ρεπερτόριο με τέμπο 100–130 παλμών/λεπτό. Στα αργά ζεϊμπέκικα (διάρκεια μέτρου 6–9 δευτ.) τόσο το beat_track της librosa όσο και ο RhythmExtractor2013 της Essentia εμφάνισαν συστηματικό σφάλμα οκτάβας (κλείδωμα στο μισό μέτρο) σε 3 από 5 ελεγμένα δείγματα.

Υιοθετήθηκε ο ανιχνευτής πρώτων χρόνων της βιβλιοθήκης madmom (Böck κ.ά. 2016): ένα νευρωνικό δίκτυο εντοπίζει σε κάθε στιγμή πόσο πιθανό είναι να πέφτει παλμός ή πρώτος χρόνος, και ένα πιθανοτικό μοντέλο (κατά το σχήμα bar-pointer των Krebs κ.ά. 2013) «διαβάζει» τη συνολικά συνεπέστερη ακολουθία μέτρων μέσα από αυτές τις ενδείξεις — με δύο περιορισμούς προσαρμοσμένους στο ρεπερτόριο: επιτρεπτά μέτρα [7, 8, 9] παλμών και μέγιστο τέμπο 140 π/λ. Ο περιορισμός των αριθμητών προέρχεται από την πραγματεία περί ρυθμών του φόρουμ της σελίδας (Τριήρης, νήμα 1971), όπου τεκμηριώνεται ότι ο μεγαλύτερος αριθμητής του ρεπερτορίου είναι το 9· η αφαίρεση του 12 από τον χώρο αναζήτησης ανέβασε την ορθότητα από 3/7 σε 5/7 στο αρχικό δείγμα ακρόασης — η μεγαλύτερη μεμονωμένη βελτίωση όλης της έρευνας.

Αξιολόγηση. Σε 1.005 ηχογραφήσεις των οποίων η κειμενική ετικέτα ρυθμού συνεπάγεται το πλήθος παλμών, ο ανιχνευτής αποδίδει το ορθό πλήθος στο 81,0%. Η διάρκεια του μέτρου είναι το αδύνατο σημείο: σε 29 ηχογραφήσεις με ανθρώπινους χρόνους αρχής μέτρου ακρίβειας δεκάτου (γύρος 5), η μηχανική διάρκεια συμφωνεί ακριβώς με την ανθρώπινη στο 31%, βρίσκεται σε ακέραιο πολλαπλάσιο ή υποδιαίρεσή της (διαφορετικό σκαλί της μετρικής ιεραρχίας — π.χ. ο ακροατής μετρά τον δίσημο κύκλο «πουμ-παμ» του χασάπικου, ο ανιχνευτής το πλήρες 8/8) στο 41%, και διαφωνεί ουσιωδώς στο 28%. Η μέθοδος αυτο-ομοιότητας των Pikrakis κ.ά. (2004), που δεν προϋποθέτει κρουστικές ενάρξεις, εμφάνισε μέσο σφάλμα διάρκειας 12% έναντι ~50% του νευρωνικού ανιχνευτή στα βαριά ζεϊμπέκικα, χωρίς σφάλμα οκτάβας — αλλά χωρίς αξιόπιστο πλήθος παλμών· ο υβριδικός συνδυασμός τους παραμένει ανοιχτό ζήτημα (§9).

4. Ταξινόμηση ρυθμού

Η ταξινόμηση ρυθμού απαιτεί μια «υπογραφή» του ρυθμικού σχήματος που να μένει ίδια είτε το κομμάτι παίζεται λίγο γρηγορότερα είτε λίγο αργότερα — απαραίτητο σε υλικό με ±5% απόκλιση ταχύτητας μεταγραφής. Αυτό ακριβώς προσφέρει ο μετασχηματισμός κλίμακας (scale transform): ένας μαθηματικός μετασχηματισμός που δίνει σε ένα ρυθμικό σχήμα την ίδια αναπαράσταση ανεξαρτήτως τέμπο, δοκιμασμένος ήδη σε ελληνικό παραδοσιακό ρεπερτόριο (Holzapfel & Stylianou 2011). Η αλυσίδα επεξεργασίας: πρώτα υπολογίζεται η καμπύλη έναρξης — πόσος «νέος ήχος» εμφανίζεται σε κάθε στιγμή, εκεί όπου πέφτουν οι χτύποι και οι νότες — χωριστά σε έξι ζώνες συχνοτήτων (από τα μπάσα των 0–100 Hz έως τα πρίμα άνω των 4.000 Hz, ώστε το «πουμ» και το «παμ» να μη συγχέονται· πρβλ. Marchand & Peeters 2014). Έπειτα κάθε ζώνη αυτοσυσχετίζεται — συγκρίνεται με τον εαυτό της σε όλες τις χρονικές μετατοπίσεις, πράγμα που αναδεικνύει τις περιοδικότητες του ρυθμού — και το αποτέλεσμα συμπυκνώνεται σε 24 αριθμούς ανά ζώνη μέσω του μετασχηματισμού κλίμακας (σύνολο 144 χαρακτηριστικά), μαζί με πέντε ακόμη από το στάδιο του μέτρου (πλήθος παλμών, διάρκεια, τέμπο). Την τελική απόφαση παίρνει τυχαίο δάσος 400 δέντρων — εκατοντάδες απλά «δέντρα αποφάσεων», καθένα εκπαιδευμένο σε τυχαίο υποσύνολο των δεδομένων, που ψηφίζουν· η πλειοψηφία τους είναι σταθερότερη από κάθε μεμονωμένο κριτήριο.

Αξιολόγηση. Με πεντάπτυχη σταυρωτή επικύρωση — το σύνολο χωρίζεται σε πέντε μέρη και κάθε τραγούδι κρίνεται από σύστημα που εκπαιδεύτηκε στα υπόλοιπα τέσσερα, ώστε η μέτρηση να αφορά πάντα «αθέατα» δεδομένα — σε 1.924 ηχογραφήσεις με κειμενική ετικέτα και 9 κατηγορίες: 67,2%. Βάση πλειοψηφικής κλάσης (συρτός, 535/1.924): 27,8%. Η πιστή αναπαραγωγή της αρχικής διαμόρφωσης του μετασχηματισμού (ενιαία ζώνη, C=48, kNN) αποδίδει 55,5% στο ίδιο σύνολο — η κατά ζώνες ανάλυση και τα χαρακτηριστικά μέτρου προσθέτουν 11,7 μονάδες.

4.1 Η διάκριση των παραλλαγών του ζεϊμπέκικου

Μέσω ελεγχόμενης ακρόασης συλλέχθηκαν πλέγματα κρουστικών χτύπων (ισχυρός «πουμ» / ασθενής «παμ») για τις παραλλαγές του εννεάσημου. Έντεκα ανεξάρτητα δείγματα σε τρεις κατηγορίες έδωσαν εσωτερικά ταυτόσημα πλέγματα:

Και οι τρεις μορφές φέρουν 11 χτύπους σε 9 θέσεις. Παλαιό και πεταχτό μοιράζονται την ομαδοποίηση 2+2+2+3 και διαφέρουν αποκλειστικά κατά μετατόπιση μισού ογδόου στη θέση του ζεύγους των ταχέων χτύπων· ο απτάλικος φέρει την τριάδα εμπρός (3+2+2+2). Σε ανάλυση ογδόων οι δύο πρώτες μορφές είναι ταυτόσημες — η διακριτική πληροφορία υπάρχει μόνο στα δέκατα έκτα (18 θέσεις). Το εύρημα εξηγεί εκ των υστέρων γιατί κανένας ταξινομητής βασισμένος σε ανάλυση ογδόων δεν διέκρινε τις παραλλαγές, και συμπίπτει με την ανεξάρτητη περιγραφή της ίδιας πραγματείας («7 ισάξιοι χτύποι και 4 με τη μισή διάρκεια, συνολικά 11» — Τριήρης, νήμα 1971).

5. Αναγνώριση δρόμου και τονικής

Η βασική ιδέα της υπολογιστικής αναγνώρισης τρόπου, όπως θεμελιώθηκε στο έργο CompMusic για τα οθωμανικά μακάμια, είναι απλή: από την ηχογράφηση εξάγεται η κυρίαρχη μελωδική γραμμή (η νότα που «τραγουδά» το κομμάτι σε κάθε στιγμή· Salamon & Gómez 2012) και από αυτήν κατασκευάζεται η κατανομή τονικού ύψους — ένα ιστόγραμμα του πόσο χρόνο περνά η μελωδία σε κάθε νότα (Gedik & Bozkurt 2010). Κάθε τρόπος έχει χαρακτηριστικό «προφίλ» τέτοιας κατανομής, οπότε η αναγνώριση γίνεται με σύγκριση του ιστογράμματος κάθε τραγουδιού με πρότυπα ανά τρόπο (εργαλεία: tomato — Şentürk 2016· MORTY — Karakurt κ.ά. 2016). Η άμεση μεταφορά αυτής της αλυσίδας στο ρεμπέτικο, με τα έτοιμα τουρκικά πρότυπα, αποδίδει μόλις 31–34% (N=608): το ρεπερτόριο δεν είναι οθωμανική κλασική μουσική. Τρεις διαδοχικές προσαρμογές έδωσαν το τελικό σύστημα:

Η χαρτογράφηση ονοματολογίας (νήμα 1486 του φόρουμ) διόρθωσε τρεις ανεστραμμένες αντιστοιχίσεις της κοινής πρακτικής· κρίσιμη η διαπίστωση ότι το λαϊκό «Μινόρε» δεν δηλώνει την ελάσσονα κλίμακα αλλά αποτελεί το ελληνικό όνομα τριών διαφορετικών μακαμιών (αρμονικό/διατονικό/ποιμενικό μινόρε) — η κατηγορία από 0/95 πέρασε στο 74%. Τα πρότυπα του ρεπερτορίου ανέδειξαν δρόμους ανύπαρκτους στην τουρκική θεωρία: το Ταμπαχανιώτικο, μη ανιχνεύσιμο εξ ορισμού από τουρκικά πρότυπα (0/36), ανήλθε στο 78%. Το τρίτο βήμα προσθέτει την κίνηση της μελωδίας. Το ιστόγραμμα είναι στατικό — καταγράφει πού μένει η μελωδία, όχι πώς πηγαίνει από νότα σε νότα. Όμως οι δρόμοι διαφέρουν ακριβώς και στις χαρακτηριστικές διαδρομές τους: ποια βαθμίδα ακολουθεί συνήθως ποιαν, από πού περνά η κατάληξη. Αυτό μοντελοποιείται με αλυσίδα Markov: έναν απλό στατιστικό πίνακα που, για κάθε δρόμο, καταγράφει με ποια πιθανότητα η μελωδία μεταβαίνει από καθεμιά από 36 βαθμίδες σε καθεμιά άλλη. Για ένα άγνωστο τραγούδι μετριέται πόσο «φυσιολογικές» είναι οι μεταβάσεις του υπό τον πίνακα κάθε δρόμου, και η βαθμολογία αυτή συνδυάζεται με την ομοιότητα των ιστογραμμάτων (απόσταση Bhattacharyya — καθιερωμένο μέτρο ομοιότητας δύο κατανομών), αφού πρώτα οι δύο κλίμακες τυποποιηθούν ώστε να είναι συγκρίσιμες, με βάρος 0,4 υπέρ της κίνησης. Η αξία της κίνησης φάνηκε σε απομονωμένο πείραμα ίδιας ανάλυσης: το ιστόγραμμα μόνο του αναγνωρίζει το 46%, οι μεταβάσεις μόνες τους το 54% — η διαδρομή της μελωδίας κουβαλά περισσότερη πληροφορία από τη στάση της, επειδή επιβιώνει της συγκέρασης. Στον πλήρη συνδυασμό, τα μεγαλύτερα κέρδη εμφανίζονται ακριβώς στους δρόμους που πλήττει η συγκέραση (Μινόρε 70→81%, Χιτζάζ 38→50%)· το βέλτιστο βάρος 0,4 (με πτώση στο 66,2% όταν η κίνηση κυριαρχήσει πλήρως) δείχνει ότι η κίνηση συμπληρώνει την κατανομή, δεν την αντικαθιστά.

5.1 Τονική: συνέπεια έναντι ορθότητας

Σε 46 ηχογραφήσεις με τονική προσδιορισμένη από ακρόαση συγκρίθηκαν τρεις οικογένειες αλγορίθμων εκτίμησης τονικής:

Τα σφάλματα δεν είναι τυχαία: από 8 σφάλματα του tomato σε 17 ελεγμένες περιπτώσεις, 4 προσγειώνονται ακριβώς στην τρίτη και 2 στην τετάρτη βαθμίδα — το γνωστό ζήτημα σύγχυσης τονικής/δεσπόζουσας της ανάλυσης μακάμ. Ανάλογο μοτίβο και στην Essentia (σε 44 δείγματα: 6 σφάλματα ακριβώς μία πέμπτη πάνω, 4 μία τετάρτη). Ένα ακόμη εύρημα αξίζει προσοχής: 6 «σφάλματα» απέχουν από τη σωστή νότα μόλις ένα ημιτόνιο — αυτά κατά πάσα πιθανότητα δεν είναι καν λάθος της μηχανής, αλλά ξεκούρδισμα της ίδιας της μεταγραφής: οι δίσκοι των 78 στροφών ψηφιοποιήθηκαν σε ταχύτητες που μετρήθηκαν από 74 έως 82 στροφές, και μια απόκλιση τέτοιου μεγέθους μετατοπίζει όλο το τραγούδι έως και ένα ημιτόνιο. Με άλλα λόγια, ένα μέρος του «σφάλματος» της τονικής είναι ιδιότητα του ιστορικού υλικού, όχι της μεθόδου — και βάζει ένα φυσικό ταβάνι στο πόσο «σωστή» μπορεί να είναι οποιαδήποτε νότα αποδοθεί σε αυτές τις ηχογραφήσεις. Το κεντρικό μεθοδολογικό εύρημα: η αντικατάσταση των τονικών του tomato μέσα στον ταξινομητή δρόμου με τις ακριβέστερες του Essentia μείωσε την ορθότητα από 68,1% σε 62,9%, και με τις ανθρώπινες τονικές η μείωση ήταν ακόμη μεγαλύτερη (24% σε υποσύνολο 21 έναντι 43% με τις μηχανικές). Ερμηνεία: τα συστηματικά ανά μακάμι σφάλματα της τονικής απορροφώνται από τα πρότυπα κατά την εκπαίδευση και αλληλοαναιρούνται κατά την πρόβλεψη· η ταξινόμηση απαιτεί συνεπές, όχι κατ' ανάγκην ορθό, σημείο αναφοράς. Υιοθετήθηκε διπλός ρόλος: Essentia για την προβαλλόμενη τονική (+11 μονάδες ορθότητας για τον αναγνώστη), tomato εσωτερικά για τον ταξινομητή.

6. Συγκεντρωτικά αποτελέσματα

7. Συζήτηση — θέση ως προς τη βιβλιογραφία

Το ανθρώπινο ταβάνι. Ο Holzapfel (2010, κεφ. 4) διεξήγαγε τεστ ακρόασης με έξι έμπειρους χορευτές σε έξι κρητικούς χορούς: μέση ανθρώπινη ορθότητα 75,6%, με τη μηχανή (kNN στον μετασχηματισμό κλίμακας) στο 76,1% και με το ίδιο πρότυπο συγχύσεων (Πεντοζάλης↔Μαλεβιζιώτης· ο Πεντοζάλης στο 45,6% και για τους ανθρώπους). Το δικό μας 67,2% σε 9 κατηγορίες — πρόβλημα με περισσότερες και ανομοιογενέστερες κλάσεις — διαβάζεται πάνω σε αυτή τη βαθμονόμηση: μέρος του εναπομείναντος σφάλματος αντιστοιχεί σε διακρίσεις που δεν είναι εφικτές από το ηχητικό σήμα και μόνο.

Ο συρτός ως εγγενώς ασαφής κατηγορία. Κατά τον Holzapfel, όλοι οι νησιωτικοί χοροί μοιράζονται το 2/4· η διάκριση κρητικού, νησιώτικου και πολίτικου συρτού δεν εδράζεται στο μέτρο. Η ανθρώπινη ακρόαση στο υλικό μας συνηγόρησε: τα κριτήρια των ακροατών ήταν υφολογικά ή και εξω-ηχητικά (ο εκτελεστής ως τεκμήριο τοπικής παράδοσης).

Έναντι της ανάλυσης μακάμ. Η αλυσίδα CompMusic μεταφέρεται στο ρεμπέτικο μόνο κατόπιν προσαρμογής και στα τρία επίπεδα (πρότυπα, ονοματολογία, χαρακτηριστικά): σωρευτικά 34% → 68,1%. Η προσφυγή στις μεταβάσεις της μελωδίας συνιστά απόκριση σε δομικό όριο του οργάνου (συγκερασμός), όχι βελτιστοποίηση — και προτείνεται ως γενικό εργαλείο για τροπικά ρεπερτόρια σε συγκερασμένα όργανα.

Έλεγχος παραπομπών. Όλες οι παραπομπές της σελίδας επαληθεύτηκαν σε DBLP ή στον εκδότη. Κατά την έρευνα εντοπίστηκε και απορρίφθηκε μία εύλογη αλλά ανύπαρκτη παραπομπή (φερόμενη εργασία περί «αναγνώρισης μακάμ στο ρεμπέτικο με HMM» αποδιδόμενη σε υπαρκτή ερευνητική ομάδα), τυπικό δείγμα κατασκευασμένης βιβλιογραφικής αναφοράς γλωσσικού μοντέλου· η πλησιέστερη πραγματική εργασία της ομάδας (Rafailidis κ.ά. 2008) αφορά άλλο αντικείμενο.

8. Τι προστέθηκε

Για καθένα: τι υπήρχε πριν, τι έγινε εδώ και με ποια μέτρηση.

8.1 Πρότυπα για τους δρόμους

Οι δρόμοι υπήρχαν ως προφορική και πρακτική γνώση, με έντυπες περιγραφές σε συγκερασμένη σημειογραφία. Υπολογιστικό μοντέλο δεν βρήκαμε: κανένα σύνολο προτύπων, καμία μετρημένη δυνατότητα αυτόματης αναγνώρισης. Τα διαθέσιμα εργαλεία αφορούσαν τα οθωμανικά μακάμια.

Εδώ εκπαιδεύτηκαν πρότυπα κατανομών τονικού ύψους για 12 δρόμους, από 601 ηχογραφήσεις του ίδιου του ρεπερτορίου, με ορθότητα 68,1%. Τα πρότυπα δεν είναι μόνο μέσο ταξινόμησης· είναι και δεδομένα: δείχνουν πώς πραγματώνεται ακουστικά κάθε δρόμος στην ιστορική δισκογραφία, και χρησιμεύουν ανεξάρτητα από την ταξινόμηση.

Γιατί χρειάζονταν, το δείχνει το Ταμπαχανιώτικο: δρόμος που δεν υπάρχει στην τουρκική θεωρία, οπότε κανένα εισαγόμενο εργαλείο δεν μπορούσε καν να τον αναπαραστήσει — 0 στα 36 με τουρκικά πρότυπα, 78% με πρότυπα από το ρεπερτόριο. Μένει να γίνει η σύγκριση δρόμων και μακαμιών πάνω στις κατανομές αντί για τα ονόματα, και η αντιπαραβολή με τα θεωρητικά πρότυπα του Siciliano (2024).

8.2 Η κίνηση της μελωδίας, εκεί που η συγκέραση σβήνει τα διαστήματα

Η καθιερωμένη αναγνώριση τρόπου στηρίζεται στα μικροδιαστήματα του ιστογράμματος τονικού ύψους — πληροφορία που το συγκερασμένο μπουζούκι εξαλείφει εκ κατασκευής. Δεν είναι ιδιαιτερότητα του ρεμπέτικου: το ίδιο ισχύει για κάθε τροπικό ρεπερτόριο που πέρασε σε συγκερασμένα όργανα.

Ένα απομονωμένο πείραμα έδειξε ότι, υπό συγκερασμό, η σειρά με την οποία η μελωδία επισκέπτεται τις βαθμίδες (μεταβάσεις Markov) ξεχωρίζει καλύτερα από τη στατική κατανομή: 54% έναντι 46% σε πανομοιότυπες συνθήκες. Ο σταθμισμένος συνδυασμός τους κερδίζει ακριβώς εκεί όπου η συγκέραση κοστίζει — Μινόρε +11, Χιτζάζ +12 μονάδες.

Η ίδια δουλειά μπορεί να γίνει σε συγγενή ρεπερτόρια, από το λαϊκό του μπουζουκιού ως ό,τι παίζεται σε ακορντεόν ή κλαρίνο, όπου η τροπική ταυτότητα πρέπει να βρεθεί χωρίς μικροδιαστήματα.

8.3 Η συνέπεια μετράει περισσότερο από την ορθότητα

Το αναμενόμενο σε μια αλυσίδα επεξεργασίας είναι ότι, βελτιώνοντας έναν κρίκο — εδώ την τονική — βελτιώνεται και το σύνολο. Μετρήθηκε το αντίθετο, σε δύο ανεξάρτητες δοκιμές: ακριβέστερη μηχανική τονική έδωσε −5,2 μονάδες στην αναγνώριση δρόμου, και οι ορθές ανθρώπινες τονικές −19.

Η εξήγηση είναι ότι τα συστηματικά ανά τρόπο σφάλματα του εκτιμητή τονικής απορροφώνται από τα πρότυπα και αλληλοαναιρούνται στην πρόβλεψη. Σε συστήματα προτύπων, δηλαδή, η εσωτερική συνέπεια εκπαίδευσης και πρόβλεψης μετράει περισσότερο από την ορθότητα του κάθε κρίκου χωριστά. Πρακτικά: οι ενδιάμεσοι κρίκοι πρέπει να αξιολογούνται διαμέσου του τελικού έργου, όχι απομονωμένα — αλλιώς «καλύτερα» επιμέρους εργαλεία μπορεί να χειροτερεύουν το σύστημα.

8.4 Οι παραλλαγές του ζεϊμπέκικου ζουν στα δέκατα έκτα

Παλαιό, πεταχτό και απτάλικο περιγράφονταν ως διακριτοί ρυθμοί, χωρίς όμως καταγραφή του πού ακριβώς εδράζεται η διαφορά — και κανένας ταξινομητής, δικός μας ή της βιβλιογραφίας, δεν τους ξεχώριζε.

Έντεκα πλέγματα ελεγχόμενης ακρόασης, εσωτερικά ταυτόσημα ανά κατηγορία (5+4+2), δείχνουν ότι παλαιό και πεταχτό μοιράζονται πλήθος χτύπων και ομαδοποίηση, και διαφέρουν κατά μισό όγδοο. Σε ανάλυση ογδόων, άρα, η διάκριση δεν είναι δύσκολη — είναι αδύνατη. Το αρνητικό αποτέλεσμα των ταξινομητών δεν ήταν αδυναμία της μεθόδου· η πληροφορία δεν υπήρχε στο επίπεδο ανάλυσης.

Από αυτό βγαίνει και η προδιαγραφή για επόμενη προσπάθεια: ανάλυση 18 θέσεων με ευθυγράμμιση φάσης στους ανιχνευμένους πρώτους χρόνους. Τα πλέγματα είναι δημοσιευμένα και μπορεί να τα ελέγξει ή να τα αμφισβητήσει όποιος μουσικός θέλει.

8.5 Τι έδωσαν τα νήματα του φόρουμ

Οι δύο συλλογικές πραγματείες του φόρουμ της σελίδας απέδωσαν, μετρημένα, περισσότερο από κάθε αλγοριθμική επιλογή. Ο περιορισμός των μέτρων από την πραγματεία των ρυθμών (Τριήρης, νήμα 1971) έδωσε +2/7 στο μέτρο· η χαρτογράφηση της ονοματολογίας από το νήμα 1486 έδωσε +21 μονάδες στους δρόμους. Η καλύτερη αλγοριθμική προσθήκη, οι μεταβάσεις, έδωσε +3,0.

Τα νήματα παραπέμπονται ρητά ως πηγές, όπως κάθε άλλη πηγή.

8.6 Το ίδιο το σώμα, επισημειωμένο

Μαζί με τις μεθόδους υπάρχει και το αποτέλεσμά τους: 58.508 αυτόματες επισημειώσεις — μέτρο, ρυθμός, δρόμος, τονική — με βεβαιότητα, μέθοδο και τεκμήρια ανά εγγραφή, πάνω σε 14.628 ηχογραφήσεις. Δίπλα τους στέκουν 3.351 ανθρώπινες ετικέτες βγαλμένες από τα κείμενα της βάσης. Τα μέλη διορθώνουν, με πλήρες ιστορικό: το σύνολο αλλάζει όσο χρησιμοποιείται. Όποιος το θέλει για έρευνα, ας γράψει.

9. Αρνητικά αποτελέσματα

Καταγράφονται ισότιμα με τα θετικά, με τη διάγνωση της αποτυχίας:

10. Περιορισμοί και μελλοντική εργασία

(1) Διάρκεια μέτρου. Το πλήθος παλμών είναι αξιόπιστο (81%), η διάρκεια όχι (ακριβής συμφωνία 31%, §3): προτεραιότητα η ενσωμάτωση της εκτίμησης αυτο-ομοιότητας ως διορθωτή οκτάβας στην παραγωγή, με κατάλληλο εκτιμητή βεβαιότητας — η πρώτη απόπειρα (μέσο σφάλμα 26%) δεν επαρκεί. (2) Παραλλαγές εννεασήμων. Τα τρία επιβεβαιωμένα πλέγματα της §4.1 καθιστούν εφικτό ταξινομητή δεκάτων έκτων για παλαιό/πεταχτό/απτάλικο — απαιτεί ευθυγράμμιση φάσης με ανιχνευμένους πρώτους χρόνους, πρόβλημα που τα τρέχοντα πλέγματα δεν λύνουν (0/7 χωρίς φάση). (3) Θεωρητικά πρότυπα δρόμων. Η μονογραφία του Siciliano (2024) τεκμηριώνει 41 δρόμους με 166 παραδείγματα· πρότυπα θεμελιωμένα θεωρητικά θα κάλυπταν τους δρόμους με <20 δείγματα εκπαίδευσης, όπου η παρούσα ορθότητα πέφτει. (4) Επισημάνσεις κλίμακας. Το αρνητικό αποτέλεσμα των προτύπων bar-pointer οφείλεται σε ψευδο-επισημάνσεις· σώμα ανθρώπινων πρώτων χρόνων μεγέθους 10² × ανά κατηγορία θα επέτρεπε πραγματική επανεκπαίδευση — το τρέχον (29 αξιοποιήσιμα) επαρκεί μόνο για επικύρωση. (5) Προεπεξεργασία αυτοσχεδιασμών. Τα ταξίμια και οι αμανέδες δεν φέρουν μετρικό ρυθμό και οι τονικές τους αποδείχθηκαν δυσπροσδιόριστες και ακουστικά· ανιχνευτής μη-μετρικών τμημάτων ως πρώτο στάδιο θα καθάριζε και τα δύο προβλήματα. (6) Πλήρες μοντέλο CREPE και νεότεροι νευρωνικοί ανιχνευτές παλμού εκπαιδευμένοι σε μη δυτικά σώματα. (7) Ημι-εποπτευόμενη επέκταση: οι αυτόματες ετικέτες υψηλής βεβαιότητας (14.626 προβλέψεις ρυθμού, μέση βεβαιότητα κορυφαίας κλάσης) μπορούν να τροφοδοτήσουν δεύτερο γύρο εκπαίδευσης με έλεγχο μετατόπισης.

11. Λογισμικά

Η επεξεργασία έγινε σε έναν εξυπηρετητή με 48 CPU και 128 GB RAM. Για να περάσουν από την ανάλυση και οι 14.628 ηχογραφήσεις, από την αρχή, χρειάζεται περίπου μία μέρα. Πλήρες πακέτο αναπαραγωγής — οι κώδικες της μεθόδου, τα εκπαιδευμένα μοντέλα και οδηγίες εγκατάστασης ώστε να αναλυθούν νέες ηχογραφήσεις — έχει συγκροτηθεί και θα διατεθεί δημόσια σε επόμενη φάση. Έως τότε διατίθεται για ερευνητική χρήση: στείλτε μήνυμα στη διεύθυνση επικοινωνίας στο τέλος της σελίδας, με δυο λόγια για τη σκοπούμενη χρήση.

12. Βιβλιογραφία

Atlı, H. S., Bozkurt, B., & Şentürk, S. (2015). A method for tonic frequency identification of Turkish makam music recordings. 5th International Workshop on Folk Music Analysis (FMA), Παρίσι.

Bogdanov, D., Wack, N., Gómez, E., Gulati, S., Herrera, P., Mayor, O., Roma, G., Salamon, J., Zapata, J., & Serra, X. (2013). Essentia: An audio analysis library for music information retrieval. Proceedings of ISMIR, 493–498.

Böck, S., Korzeniowski, F., Schlüter, J., Krebs, F., & Widmer, G. (2016). madmom: A new Python audio and music signal processing library. Proceedings of the 24th ACM International Conference on Multimedia, 1174–1178.

Gedik, A. C., & Bozkurt, B. (2010). Pitch-frequency histogram-based music information retrieval for Turkish music. Signal Processing, 90(4), 1049–1063.

Holzapfel, A. (2010). Similarity methods for computational ethnomusicology. Διδακτορική διατριβή, Πανεπιστήμιο Κρήτης.

Holzapfel, A., & Stylianou, Y. (2011). Scale transform in rhythmic similarity of music. IEEE Transactions on Audio, Speech, and Language Processing, 19(1), 176–185.

Karakurt, A., Şentürk, S., & Serra, X. (2016). MORTY: A toolbox for mode recognition and tonic identification. Proceedings of the 3rd International Digital Libraries for Musicology Workshop (DLfM), 9–16.

Kim, J. W., Salamon, J., Li, P., & Bello, J. P. (2018). CREPE: A convolutional representation for pitch estimation. Proceedings of IEEE ICASSP, 161–165.

Krebs, F., Böck, S., & Widmer, G. (2013). Rhythmic pattern modeling for beat and downbeat tracking in musical audio. Proceedings of ISMIR, 227–232.

Marchand, U., & Peeters, G. (2014). The modulation scale spectrum and its application to rhythm-content description. Proceedings of the 17th International Conference on Digital Audio Effects (DAFx-14).

McFee, B., Raffel, C., Liang, D., Ellis, D. P. W., McVicar, M., Battenberg, E., & Nieto, O. (2015). librosa: Audio and music signal analysis in Python. Proceedings of the 14th Python in Science Conference (SciPy), 18–25.

Pedregosa, F., κ.ά. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.

Pikrakis, A., Antonopoulos, I., & Theodoridis, S. (2004). Music meter and tempo tracking from raw polyphonic audio. Proceedings of ISMIR, Βαρκελώνη.

Pikrakis, A., Theodoridis, S., & Kamarotos, D. (2006). Classification of musical patterns using variable duration hidden Markov models. IEEE Transactions on Audio, Speech, and Language Processing, 14(5), 1795–1807.

Rafailidis, D., Nanopoulos, A., Manolopoulos, Y., & Cambouropoulos, E. (2008). Detection of stream segments in symbolic musical data. Proceedings of ISMIR, 83–88.

Rouard, S., Massa, F., & Défossez, A. (2023). Hybrid transformers for music source separation. Proceedings of IEEE ICASSP.

Salamon, J., & Gómez, E. (2012). Melody extraction from polyphonic music signals using pitch contour characteristics. IEEE Transactions on Audio, Speech, and Language Processing, 20(6), 1759–1770.

Salamon, J., Gulati, S., & Serra, X. (2012). A multipitch approach to tonic identification in Indian classical music. Proceedings of ISMIR, 499–504.

Şentürk, S. (2016). Computational analysis of audio recordings and music scores for the description and discovery of Ottoman-Turkish makam music. Διδακτορική διατριβή, Universitat Pompeu Fabra, Βαρκελώνη.

Siciliano, C. (2024). The Theory of Rebetiko: From the Makams of Asia Minor to the Dromi of Piraeus. (Εντοπισμένη πηγή θεωρητικών προτύπων· δεν έχει ακόμη ενσωματωθεί.)

Τριήρης, Ν. «Ρυθμοί στα ρεμπέτικα τραγούδια». Φόρουμ rebetiko.sealabs.net, νήμα 1971, 81 μηνύματα. /?topic=1971

«ΤΡΟΠΟΙ (ΔΡΟΜΟΙ) ΤΟΥ ΡΕΜΠΕΤΙΚΟΥ». Συλλογικό νήμα, φόρουμ rebetiko.sealabs.net, νήμα 1486. /?topic=1486

Arzt, V. (2022). Rebetiko Corpus [σύνολο δεδομένων]. Zenodo, εγγραφή 6211555. zenodo.org/records/6211555 (με τα δεδομένα αυτής της σελίδας)

Επικοινωνία για ερωτήσεις, διορθώσεις ή συνεργασία: · Τελευταία ενημέρωση: Αύγουστος 2026.