本文来自微信公众号：果壳 （ID：Guokr42），作者：翁垟，编辑：卧虫，头图来自：视觉中国

一边在朋友圈晒年度听歌总结，一边抱怨“华语乐坛不行了”，这“习俗”延续多少年了？

(资料图)

平台收听榜上怎么还是周杰伦？综艺节目里怎么还是张韶涵？KTV 里怎么还是“死了都要爱”？超市里怎么还是“恭喜你发财”？

过年指定 bgm ｜《恭喜发财》

最简单暴力的回答是：新歌都不行，华语乐坛已经完蛋了！

《青年理工工作者生活研究所》研究员小凡不太信服这套说辞，作为机械设计制造及其自动化出身的一位理工科生，他想，是否能用一种基于计算的、更客观的方式，真实地展现这些年华语音乐的变化，一举终结这场疑问和争吵？

抱着这个想法，他进入了一场意想不到的、为期一整年的漫长搏斗，最终，得出了一个有些超出预期的答案。

答案在声波中飘

理想的方式是设计一套算法，教会机器给歌曲打分。好歌分高，差歌分低，再比较一下分数，一目了然。但好与坏，既抽象又主观，想让机器得出客观量化的评价，就必须先在歌曲之间进行比较计算。

这意味着第一件事就是要将一首歌转换为数字。小凡选择的是分析一首歌的声波。

把一首歌放到剪辑软件里，就会看到它的波形。这个波形不仅能呈现一首歌声音的大小，同时也包含了很多其他信息。人耳仅仅通过听就可以轻松分辨出一首歌的歌手、风格、类型，甚至是现场还是录音。如何让电脑也能听懂呢？通过深度学习。

首先，他把每首歌掐头去尾，随机截取 90 秒音频，分成连续的 1800 个小段，每一段做傅立叶变换。每一个音都是由多个不同的频率振动组合而成，在这里，傅立叶变换的作用就是把每个小段中包含的频率分离出来，以便深度学习模型理解。

图片来源：《青年理工工作者生活研究所》

计算后，每首歌都变成了一个 1800 列乘 3248 行的数据表格，表明这 90 秒歌曲中都包含了哪些频率。因为数据量太大，他继而进行了两次压缩，将代表每段歌曲的数据缩减到 600 个数字。

这个过程可以理解成一张图片像素不断降低的过程，期间信息发生了大幅的减损。为了保证图片质量降低后你仍然能认出图片内容，保留哪些像素，剔除哪些像素就变得很重要。

图片来源：pixabay

小凡希望通过这 600 个数字是能“认出”这首歌的，就像识图的深度学习模型能认出一只狗是狗，一只猫是猫。

为训练这个模型，他收集了 1977 到 2022 年间的 5400 首流行歌曲。

这里的歌曲选择有一个原则，就是标签之间有交叉，“比方说 abc 三个歌手的歌里，都有 m 这个作曲家，那 a 唱的歌里面，还会找找其他人作曲的。网状的交叉越多，就对这个模型的学习就越有好处”。

这是为了避免模型在不同标签之间产生死板的关联，也就是算法偏见。比如周杰伦方文山是一个很常见的搭配，这时就要多找一些方文山给别人写的歌，来制造交叉。

深度神经网络在输入与输出之间通常有多个隐藏层 ｜bmcblogs

接下来，他需要设置一些“正确答案”，一些能够描述这些歌曲的标签，歌手、作曲之外，还有年份、感情色彩、音乐类型、曲风、拍号、调式等。

学习过程简而言之，就是让神经网络通过层层计算得出 600 个数字，来猜测一首歌的对应信息：是谁唱的？什么调式？猜不准就返回去重新算，直到猜中为止，循环往复 5400 次。

回到打标签，起初，类别没有确定，他需要边听边总结。比如对于音乐类型，他就总结出纯音乐、反叛、恋爱悲伤、恋爱甜蜜、魔幻、生活、耍帅、主题等八种类型。

乍一看，这似乎并不足够细致全面，但实际上这一步并非要给歌曲提供一个十足科学的分类，“最大的目的是体现出歌之间的区分度，只要足够让类型不同的歌被打到不同的标签，之间不混淆就可以了。”

定下类别后，数据标记就成了纯纯的体力活。小凡完全投入其中，花了两三个星期才标注完五六百首歌，不得不对外求援，最终，雇了几位音乐专业的学生加入这项工作，前后花费了快两个月时间才完成。

模型经过一定学习后的“猜歌”结果｜《青年理工工作者生活研究所》

“平均歌”也有春天

分类和数据标注之后，摆在小凡面前的仍是满满一堆数字——它们代表的意义是什么？又如何将这些数据抽丝剥茧结构起来，以回答开头那个争论不休的问题呢？

研究最开始，小凡想过一个“信息熵”的概念。简单理解就是一首歌信息的复杂程度。可以设计一个程序，检测每首歌之间是否存在重复相似，如果存在，就价值变低。

但这仍太抽象太复杂了，评判标准也不太有说服力。经历了近半年的“乱跑乱采访”，思路不断碰壁，他灵光一闪，一个新的概念浮现出来：平均歌。

平均，意味着普通、不出彩、烂大街，似乎不是一个正面的评价。但在歌曲的范畴里，它却也往往是最符合和体现大众口味的。从计算的角度，平均歌意味着在选定范围里，和这首歌相像的歌是最多的。

既然要计算平均，那就要先选出样本范围和参照系。

通过历年的网友总结和腾讯音乐榜单，他找到了从 1998 年开始，每年最热的 100 首歌的歌单，总共两千多首。

这时候，就可以搬出那个复杂的深度学习模型来进行计算了。利用模型，为每首歌生成能代表它们的 600 个数字——把它们看作 600 维空间中的点，就可以了解数字和数字之间的关系，计算平均点的位置。

图片来源：《青年理工工作者生活研究所》

由于平均点上很可能并不存在一首真实的歌，那么平均歌就是最靠近那个点的那首歌。结论是一张长长的、经过排序的歌单，从中能看到每一年的平均歌是什么。

历年平均歌结果｜《青年理工工作者生活研究所》

但这并没有如他起初设想的一样，验证那个简单粗暴的结论：华语歌越来越差了。反而，每一年的平均歌听下来并没有显现出那么大的变化。

小凡跑去征求工作室音乐编辑的意见。对方回应感受：⾳乐随着年代的变化中，混⾳的变化很明显， 90 年代很多歌曲以合成器⾳⾊为主导， 00 年代真实乐器的录⾳⽔平提⾼，近两年⾳⾊越来越激烈，可能和嘻哈⾳乐的兴起有关系。

但对于平均歌，共性反而大于不同：整体平均歌都是讲求明确清晰的主旋律，并且很少离调/转调/变换基础的节奏型。

这个结论似乎有点平淡，远不比人们的想象。

想把“离谱歌”唱给你听

这时，小凡被最远离“平均”的那些数据所吸引了。歌单按照歌曲与平均点之间的距离排序，第一首是距离最近的，那么越往下便是距离越远的歌。这些歌在各自的特定年代都是特立独行，跟谁都不太一样——小凡把称它们为“离谱歌”。

右边离散出来的点就代表着格格不入的离谱歌｜数据来源：《青年理工工作者生活研究所》

离谱歌反而让人眼前一亮。首先，它们的确显现出相比于时代的“离谱性”，比如 1999 年位于倒数第五的《挫冰进行曲》，2004 年位于倒数第四的《波斯猫》。还有一个男人，在最活跃的十年几乎霸榜离谱歌榜单：周杰伦。

对此，乐评人重轻表示，周杰伦的⾳乐在许多⽅⾯背离传统和主流的⾳乐语⾔。所以他发专辑的年份都是离谱在列，“这是最了不起的，开拓边界的⾳乐⼈。”

整体而言，并非像许多人想象的，如今人的审美变得非常糟糕，才导致“抖音神曲”流行。反而，乐评人叨叨冯评价，“这份榜单体现出大众的主流审美其实变化是缓慢、相对稳定的”，但如果是为了迎合⼤众审美⽽创作，“那么写歌快、容易成为热歌的同时，也容易和以往的歌听起来相似”。

对于小凡来说，近几年的离谱歌他第一感受是“不爱听”，“像是蹦迪的歌，不是你愿意跟着唱的歌”。从数量上看，2010 年前的离谱歌看起来似乎也更离谱一些，离谱值高的歌曲数量更多。

创新性没有以前高，受欢迎的程度也远不比从前，这或许就导致这些原本应当开拓边界的离谱歌，不再像周杰伦的歌曲那样，具备挑战边界、引领大众审美的能力。

若算法回答是个错误，愿你我没有白白受苦

最初启动这个项目的时候，恰逢 2021 年末，一则视频在网络上被疯狂传阅，那是腾讯音乐发布的十大热歌榜单。听完网友几乎意见一致地给出结论：华语乐坛完蛋了。

图片来源：TMEA年度十大热歌

小凡对于这个话题的兴趣，不仅是想要验证它，也是源于对于这个论断的一丝怀疑。“总体上我还是比较相信，中国人也不笨，还是有很多人在写歌，理论上应该有好歌的，但为什么好像我们见不到，听不到？我很好奇。”

对于当前的结论，他多少感到有点遗憾，音乐没有变得更差，但作为艺术去激发我们，带来新奇感的能力似乎确实陷入了停滞。

但也不是所有人都认同这个结论。小凡将研究过程做成视频发到网上，引发网友之间激烈的讨论。有的网友认为，流行音乐并不等于音乐，流行音乐变成商品，变得套路化，但音乐本身仍处于无尽的创新和变化之中，只是在当前的机制下变得更难被人看到了。

也有人建议，可以把过去的“离谱歌”放到几年后对比，看它是否仍然“离谱”。

网友评论之外，这个研究将代表一段歌曲频率的 500 万个数字压缩到 600 个，势必面临过度简化，信息大量丢失的问题。这 600 个数字多大程度上能代表背后的这首歌呢？小凡看来，或许是七成左右。

进一步改进，理论上他也可以打更多的标签，让歌曲之间区分的更明显。目前这样的大分类之下，两首听起来挺不同的两首歌，还是有可能被打上相似的标签——就像人脸识别，将两个人的脸识别成一个人。

另一个遗憾是，在更正规的深度学习项目中还一定会设置交叉验证的过程。从不同的起点，用不同路径去算，看看能不能抵达相同的终点。这个研究中没能设置这样的环节。

那说到底，华语乐坛到底完没完蛋呢？

一番大费周章之后，人们仍没能得到一个可以一劳永逸的结论。这么做的意义或许就在于，为这个似乎无解的争论，拓展了讨论的可能性，在“回忆滤镜”、“奶头乐消费”之类用以互相攻击的词汇之外，提供了一个新的理解视角和一些新的论据。

参考文献

[1] 腾讯视频纪录片《青年理工工作者生活研究所》，第14集，华语乐坛真的要不行了吗？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/

本文来自微信公众号：果壳 （ID：Guokr42），作者：翁垟，编辑：卧虫

关键词：