○ 石丰恺
人们对民间音乐的很多重要认知源于田野材料，因而采用什么方法对田野材料进行测量和分析就显得极为重要。民间音乐个体往往不是基于乐谱的创作，而常以音乐声这种“物质的运动形式”存在。涉及民间音乐形态的研究常用的一种范式可能是：首先通过田野调查形成民间音乐音响；
再对这些音响实施人工转录记谱后形成转录乐谱（Transcription）①Helen Myers, ed., Ethnomusicology: An Introduction.London: Macmillan Academic & Professional, 1992, p.111.，然后通过观察、测量或者统计这些转录乐谱后得出某种结论。文献调研发现：很多转录乐谱是转录人在对民间音乐本体的主观观测与判断下，或是在某种转录设备、软件的帮助下，抑或是在二者结合的情况下，以某种记谱法形式呈现的一种符号文本结果。由此可见，转录乐谱是转录人对民间音乐本体部分理解或认同的投射。它具有两个方面的特点：一方面，转录乐谱是一种典型的主观性文本。它反映民间音乐本体的程度，与转录人的音乐素养、文化体认等方面的能力水平以及观念立场密切关联。另一方面，由于各种记谱法的特点和限制，转录乐谱只能承载关于民间音乐本体音乐形态的少量信息。即使在转录人具备很好的音乐素养以及适宜的文化立场的情况下，转录乐谱也只能记载音乐形态最基本的信息，如曲目名、估计的音乐速度、大致的旋律走向等。而一些非常重要的信息则被遗落了，如音乐中随时间变化的细微音高波动以及表演者通过表演、演唱／演奏所提供的其他音乐形态信息等。因此，民间音乐的转录乐谱不是民间音乐本体，它与民间音乐本体是两个相关但相对独立的事物，即它们在某些方面可能有密切关联，但它们之间存在一定距离，在极端情况下，二者还可能判若云泥。
转录乐谱的性质及特点决定上述范式存在一些问题：首先，转录乐谱的主观性导致无论人们采用多么科学的方法对其进行测量和分析，也无论人们采取什么立场来强调主观分析的重要性，都不能掩盖所得结论的强烈主观性特征；
其次，因转录乐谱只是民间音乐本体形态某些特征的记谱法反映，以此进行音乐形态描述和规律总结很容易被体现记谱法特点的记谱技术误导，也容易被前置的、先入为主的音乐分析理论所桎梏，导致“描述和总结”极易脱离本体。
那么，还有更为有效途径可供我们相对客观地观测民间音乐本体吗？国内外的一些学者对此已有思考。如沈洽认为：由于中国音乐是一种区别于西方“谱系统音乐”的“声系统音乐”，它的“乐谱转码所用的元素和转码的方式同西方的谱系统有很大的差别……即便我们已经对它们做了许多‘修正’和‘补充’……记下来的谱子与实际音响相比，大多数也是非常‘离谱’的”。他认为单靠利用转录乐谱来研究民间音乐“是一件十分危险的事”，应该“把这些乐谱先‘搁置’起来，直面音乐声本身”。②沈洽：《描写音乐形态学之定位及其核心概念》上，《中国音乐学》，2011年，第3期，第7页。蔡际洲认为，传统和民间音乐形态研究“务必以‘音响’为依据”，并认为“音响”具有“主导地位”和“不可替代性”。③蔡际洲：《范畴与角度：中国传统音乐的形态研究问题》，《黄钟》，2020年，第1期，第64页。西方学者如尼古拉斯·库克（Nicholas Cook）等强调：广义音乐学研究中的实证数据，其来源是多样的，除符号文本外，还包括以数字音频格式存储的音响数据文本等；
它们的价值体现主要取决于具体的研究背景和是否可用来解决音乐学问题；
他们还指出：“为了发现或揭示事物”，对于如何利用它们，需要寻求适当的方法。④Eric Clarke and Nicholas Cook, eds., Empirical Musicology: Aims, Methods, Prospects. New York: Oxford University Press, 2004, pp.12–13.由此看来，似乎已形成一定程度的共识：测量和分析民间音乐的“音响”，是描述民间音乐形态，挖掘其音乐学领域知识更为有效的途径之一。
目前，在民族音乐学田野调查工作中所使用的采录系统已基本上实现以数字格式存储数据，所谓“民间音乐的音响”，实质上指的是以某种数字音频格式存储的民间音乐音响数据文本。为表述方便，可简称其为“音响文本”。那么音响文本在诠释“民间音乐”时能够提供哪些信息？如何提取这些信息？这些信息对发现和揭示民间音乐的音乐形态有何作用？本文认为搞清楚这些问题，对拓宽民间音乐领域研究思路和丰富研究方法，推动形成新的民间音乐研究范式而言具有重要意义。文献调研发现目前针对上述问题的研究还甚为缺乏。
本文试图提出一种对民间音乐音响文本进行“多维分析”的方法，并以西部苗族古歌为例，从“流布信息”获取等多个方面，对这一方法的有效性进行检验，以资参考。
本文所述的民间音乐音响文本“多维度分析”方法，是指以音频内容分析为技术核心，音频特征提取为主要技术手段，从民间音乐音响文本的多个描述域中提取信息，对其中所蕴涵的音乐形态予以可视化表达与阐释的方法。这些描述域包括但不局限于时域、频域以及统计和技术信号域。因这一方法的信息来源具有显著的多维度特性，故将其称为“多维度分析”法（以下简称“多维法”）。
音响文本是采录系统使用时间采样和幅度量化，把无限可变的模拟波形及时编码为时间上的各个幅度值的汇集。音乐声学、计算音乐学在对数字音频进行考察时，将自变量为时间，因变量为强度或频率的考察维度称为“时域”（Temporal Domain）；
而把频率为变量的函数所在的维度，称为“频域”（Frequency Domain）；
民间音乐研究还可从统计和技术信号域等维度获取信息来解决一些领域问题，后文所述的从原始样本音乐社交标签中获取民间音乐流布信息就是从统计域获取信息的一个例子，而音乐速度测量和音高探测则须调用过零率（Zero-crossing Rate）等技术信号域的数据。
（一）理论模型
“多维法”的理论模型可由一种3D虚拟空间来表示。根据西部苗族古歌《相约歌》音响样本绘制的这种3D虚拟空间如图1A所示。构成这一虚拟空间的三个维度分别是音响样本的时间、频率和强度。这一虚拟空间可以投射为3个二维表示面：一是由“强度+时间”所构成的动态面，它描述的是歌声强度随时间变化的情况；
二是由“强度+频率”所构成的频谱面，它记录了歌声强度在各个频段的分布；
三是由“频率+时间”所构成的旋律面，它勾描了民歌作品的旋律形态。（见图1）
图1 西部苗族古歌《相约歌》原始样本与副本样本三维声谱对比图⑤文中所用图表均系笔者绘制。
（二）技术原理与实施路径
第一，“多维法”的技术内核是音频内容分析。音频内容分析（ACA）是一种通过从数字音频信号中提取信息来对原始音频数据进行有意义的描述或解释的技术。⑥Alexander Lerch.An Introduction to Audio Content Analysis.Piscataway: Wiley-IEEE Press, 2012, p.2.针对民间音乐研究而言，所谓“有意义的描述或解释”，是指从音响形态上对它的本体所进行的相对客观的描述，如对速度、音域、调式结构、特征音程等音乐构成要素的跟踪和分析；
从表演形态上对表演者表演特性的揭示；
以及为其他研究或应用目的提供数据参照和技术路径，如综合多种参数将音乐的“音频表示”转录为数字乐谱等形式的“符号表示”；
等等。
第二，“多维法”最主要的技术手段是对民间音乐音响文本进行音频特征提取。音频特征是一种从音响文本包含的大量数据中提取的出来的数据。通过抑制不相关的信息，一个音频特征就可以用较少的数值来表示音响文本某个侧面或某个观测点上的更高层次的信息。图2所示的多个坐标系就是一个民歌田野音响样本的多个音频特征（基音周期变化、频率强度响应、频率分量）的可视化呈现。音频特征提取是一个将原始音响文本大量数据提炼成更紧凑的表征的过程。这是一个不断涌现新技术的源泉。事实上，对音响文本进行紧凑表征的技术研究，除计算音乐学以外，还是信号处理、数据挖掘等多个领域共同关注的研究主题。音频特征在数量上的稳定增长，使“多维法”具备了在技术上始终处于领先的优势。（见图2、图3）
对音频特征进行分组描述，较为常见的依据是根据它们试图捕获的信息类型。构建这一信息类型系统最根本的理论来源是音乐声学的音乐声感知理论，以及音乐基本理论对“音乐的基本要素”的界定与表述。“音乐的基本要素”本身还有争议⑦Robert A.Cutietta.The Musical Elements: Who Said They"re Right?.Music Educators Journal, 1993, 79(9),pp.48–53.，导致目前音频特征的分组模式极为多样。本文综合李涛（Tao Li）等人⑧Tao Li, Mitsunori Ogihara and George Tzanetakis，eds.Music Data Mining.Boca Raton: CRC Press, 2011, p.43.，以及克劳斯·韦斯（Claus Weihs）等人的意见⑨Claus Weihs, Dietmar Jannach, Igor Vatolkin and Günter Rudolph.Music Data Analysis: Foundations and Applications.New York: CRC Press, 2016, p.145.，暂将音频特征归为五个组别，即时域、频域、强度域以及统计和技术信号域相关特征。图2展示了音频特征、音乐的基本要素和听觉感知属性之间的关联。特征域下的各个特征组涵盖了大量音频特征，无法穷举，图3所示两例为随机抽取的例子。
图2 西部苗族古歌《苗家故地》田野音响样本“时域”“频域”特征的可视化表达
图3 音频特征、音乐的基本要素、听觉感知属性的关联
第三，“多维法”的分析结果可通过多样的可视化形式呈现。下面以西部苗族古歌《苗家故地》为例予以说明。图2A是一种时域图，它是根据音响样本中的基音周期变化轨迹而绘制的曲线图。在语音分析领域，它有一个专门的术语——“Melogram”，本文译为“律形谱”，可用来跟踪和描述民间音乐旋律模式。图2B也是一种时域图，称为强度曲线图（Intensity Graph），它描绘的是田野样本歌声强度随时间变化的曲线。强度是一种物理量，是音乐声学用来衡量响度的主要参数之一。对歌声强度进行测量并进行可视化，再结合律形谱，可为民族民间音乐结构方面的分析提供可视化参考。图2C是三种频域图，从左到右分别是源频谱（Source Spectrum）、滤波器响应谱（Filter Response Spectrum）和信号频谱（Signal Spectrum），它们呈现的是音乐声信号的原始形态（模拟形态）。滤波器响应谱显示的当前音响文本的频率强度响应形状；
信号频谱可用于观测全局或特定采样点的频率分量。此外，通过文献调研还能发现很多其他的表达实例，如应用广泛的分量频谱（Component Spectrum）、长时平均谱（Long-time Average Spectrogram），等等。因此，我们完全可以根据预定的研究目标，从音响样本中提取相应的音频特征，再设计相应的坐标系来对民族民间音乐本体某一方面的特征予以综合表征。
第四，“多维法”的实施路径。在具体的研究工作流程中，“多维法”的实施可采用如下路径：（1）可根据研究目标和阐释对象的不同，从丰富的音频特征集中选择特定特征，进行特征系列定制；
（2）按照定制的特征系列，通过对田野音响样本的特征提取，形成特征域下的特定特征组表征数据集；
（3）通过组合特征组并结合听觉感知属性，对音乐的基本要素中的某个或多个子要素进行表征；
（4）上述表征可通过设计相应的坐标系来进行可视化呈现；
（5）可根据需要，进一步借助数据挖掘的理论和方法对音频特征数据集进行处理，如通过机器学习实现的自动分类任务等，以助于从相对客观的角度对民间音乐本体的一些特性和规律予以捕获和揭示。（见图4）
图4 民间音乐多维度分析的工作流程
有田野工作经验的学者常有的感悟可能是：仅靠人工听辨难以使用五线谱或简谱对某些民间音乐品种进行转录记谱。西部苗族古歌就是这样的一个例子——文献调研发现，对其速度、音域、调式构成等基本音乐形态进行描述和探讨的文献比较少见。下面，即以18首西部苗族古歌的田野音响样本为例，从“流布信息”获取、“量度音乐速度”测量、“音域特性”分析以及“调式构成”探测方面，对这一方法的有效性进行检验。
案例所使用的18首样本来源于“中国音网·人类口头和非物质文化遗产专题库”。样本文件被收录在《西部苗族古老歌》这张专辑中⑩“中国音网·人类口头和非物质文化遗产专题库”提供的“专辑信息”显示，这18个田野音响样本是朱玉祥、杨忠伦、杨世武、朱光龙四位苗族音乐人，在20世纪80年代初，从云南、贵州、四川三省的150余个苗族村寨采集而来。专辑由云南民族出版社出版。中国音网·人类口头和非物质文化遗产专题库（http://ich.china1901.com/wild/pages/album/index.html?amid=西部苗族古老歌），2021年4月16日。。为便于区分，下文称其为“原始样本”⑪原始样本集音段统计信息：男声数据集来源于11个样本，由9位男歌手演唱，音频总时长为1,602.3s，人声时长为1,023.9s，常规发声的时长是603.7s；
女声数据集来源于7个样本，分别由7位女歌手演唱，录音总时长为1,464.6s，人声时长为958.2s，常规发声的时长是684.2s。。本文按照“歌声类型”对它们进行了分类编号。（见表1）
表1 18首西部苗族古歌田野样本编目表（节选）
（一）民间音乐流布信息的获取
民间音乐流布信息可从音乐社交标签数据中挖掘。音乐社交标签（Music Social Tags，以下简称“标签”）来自于音响文本的统计和技术信号域，它是一种文本信息集合，用以注释不同的音乐项目。标签常由公众性网站提供，标记人可以是网站的编辑人员，也可能是来自于公众的音乐爱好者。这一标签是音乐流布信息的重要数据来源，通过对它的挖掘，以及地理信息经纬度解析与地图标记，可以绘制出民间音乐的流布区域图，以反映民歌品种在样本采集时的流布情况。
根据“中国音网”提供的信息，该网站的标签由专职档案员负责录入。该站点使用了语言文化群体、制作版权信息、出版／归档时间等12个子标签来对样本进行描述。专题库中《西部苗族古老歌》的“制作版权信息”子标签提供了采集时歌手所在的行政区域地理信息。这些信息可能对研究苗族音乐文化分布、迁徙与交融、非物质文化状态演变等具有价值。研究者可通过对地理信息的经纬度解析与地图标记，绘制样本采集时的流布区域图。当然，信息的准确性及其价值依然与田野调查材料的可靠程度以及档案员的学术责任意识高度相关。
（二）对时域、频域三个考察点的分析
第一，时域：“量度音乐速度”测量。量度音乐速度（Beats Per Minute，BPM）是一种速度计量方式，表示“每分钟的节拍数”⑫David Fallows: Metronome, Grove Music Online.(https://www.oxfordmusiconline.com/grovemusic/view/10.1093/gmo/9781561592630.001.0001/omo-9781561592630-e-0000018521), 2001年1月20日。。在计算音乐学中，BPM被认为是与音乐结构探测以及音乐情绪预测密切相关的因素。对民歌BPM的测量不仅可为这两个方面的研究提供数据，还可为民歌记谱、多格式音乐符号文本转录提供参考。目前对音响文本进行BPM测量的一般方法是：首先对起始瞬点强度信号（Onset Strength Signal）进行检测，然后再通过分析起始瞬点强度信号来检测常见的重复周期，即可以执行BPM探测。西蒙·迪克森（Simon Dixon）对两个数据集上的一些起始检测算法进行回顾和比较后认为，使用频谱通量检测函数进行起始瞬点检测。可以使BPM探测在复杂度与高性能间取得平衡⑬Simon Dixon.Onset Detection Revisited, Proceedings of the 9th International Conference on Digital Audio Effects.Vol.120, Citeseer, 2006, pp.133–137.。本文对副本样本集执行BPM曲线绘制，BPM平均值测算以及BPM区间获取的方法是：（1）在Sonic Annotator环境下⑭Chris Cannam.Linked Data and You: Bringing Music Research Software into The Semantic Web.Journal of New Music Research, 2010, 39(4), pp.313–325.，使用速度和节拍跟踪器开源算法⑮Matthew E.P.Davies and Mark D.Plumbley.Context-Dependent Beat Tracking of Musical Audio.IEEE Transactions on Audio, Speech, and Language Processing, 2007, 15(3), pp.1,009–1,020.，以60BPM作为速度提示（Tempo Hint），对样本集进行BPM探测；
（2）对形成的BPM数据集进行统计后予以可视化表达。图5是对样本集BPM探测结果的可视化呈现。
图5 18首西部苗族古歌的BPM特性可视化图表（A为样本集速度变化雷达图；
B为样本集BPM变化范围箱体图；
C为样本集BPM分布多线图）
通过分析，这18首西部苗族古歌的BPM特性可归纳为：（1）BPM总体区间值是51——74BPM，BPM核心区间值是54——67BPM，对应可用“Largo”和“Larghetto”标记；
（2）单个样本速度变化形态均较为平稳，没有出现戏剧性的速度对比，情感表达沉稳、深沉；
这种速度形态可作为判断它们在音乐结构上呈现出单一和统一特点的依据之一。
第二，频域：音域特性分析。采用“基音频率检测法”对音响文本进行音高检测的理论依据之一是人类的音高感知主要受到谐波基频的影响⑯David M.Howard and Jamie A.S.Angus.Acoustics and Psychoacoustics.New York: Taylor & Francis, 2017, p.153.。基音检测的目标是画出和波长完全一致的基音周期变化轨迹曲线。音域特性分析的方法如下：（1）首先对乐音范围进行探测和批量分割，对其持续时间进行记录；
再使用梳状滤波器将基音频率与其他谐波频率隔离，然后消除其他谐波频率并记录基音频率值；
重复该过程以完成对所有乐音音高的检测。（2）按歌唱声类别（男声、女声）建立两个数据集，分别进行统计和分析。
田野采录环境一般无法采用如录音棚般的理想化隔音措施，由于人为或录制现场存在环境噪音等因素，数据集中不可避免地会出现数据噪声。降低数据噪声有很多统计学方法可用，本例采用的是k-means聚类检测法：聚类检测后显示为孤立点的值将被视为数据噪声，统计时予以排除。
音高周期直方图与音阶周期散点图的结合可清晰地呈现该民歌品种的音域特征。图6A1、B1分别是男声数据集（A1）和女声数据集（B1），所有的有规律音高的音高周期直方图。一般定义有规律音高乐音的标准是：一个音高周期与它之前或之后的周期在时间上的偏差不超过10%。图中曲线根据有规律音高乐音的基频绘制。每个频率坐标处发现的周期数用灰度标示，周期数的高低与该频率在样本集中的分布密集度呈正比，灰度颜色越深表明其周期数越高，也表明其更广泛分布于样本集中。图6A2显示，灰线在690Hz坐标处出现骤然变淡，以至后续出现明显中断，由此判断男声数据集中790Hz以上的频段不是全局音域统计的有效区域。（见图6）
图6 男声和女声演唱的西部苗族古歌音高周期直方图（A1、B1）与音阶周期散点图（A2、B2）
经上述工作，这18首西部苗族古歌的音域特性可归纳为：（1）全局音域：男声数据集显示的频段为110Hz——790Hz，；
女声数据集的频段为190Hz——960Hz；
（2）有表情音域：男声数据集显示的频段是180Hz——500Hz；
女声数据集的频段为225Hz——650Hz。结合样本聆听可以发现：男声歌唱大量使用假声唱法是造成其全局音域宽广的原因。它们的音域特性对应的五线谱记谱如谱例1所示。（见谱例1）
谱例1 18首西部苗族古歌的男声、女声的全局音域与有表情音域
第三，频域：调式构成探测。如前所述，评估旋律、音列和调制首先需要融合频域和时域的音频特征，以描述旋律音高。这些特征包括频谱特性（Spectral Properties）、基音探测、音符起始点和偏移点（Note Onsets and Offsets）、平滑音高轨迹（Smoothed Pitch Track）、MIDI序列表示（MIDI Sequence Notation）等。本文通过两个步骤来完成调式构成提取：一是形成旋律音高数据集，二是对调式主音进行筛查和对调式音列进行排序。
目前，在音高信息提取领域，面向机器学习的自动融合音频特征提取方法在准确性方面还有待提高。为避免误差，采用以下方法来形成旋律音高数据集：（1）对样本进行频谱特征提取，列出歌声乐音频率分量；
（2）使用“平滑音高轨迹”对基音轮廓进行勾描；
（3）对“音符起始点和偏移点”进行探测，并参照“频率分量”结果，以人工方式对出现偏差的“基音轮廓”进行修正；
（4）使用“MIDI序列表示”完成全部旋律音高的探测和标记，如图7所示。
图7 样本F03从起始至25秒间的旋律音高数据
对于如何从民歌的田野音频中提取音列并探测调式构成，目前还没有成熟的、统一的方法。经过多次实验，笔者认为：以乐音分布幅度、乐音持续时长以及尾音频率（End Tone Frequency）三个指标对田野音频旋律音高数据集进行筛查，以此探测调式构成是较为可行的方法。下面以M03样本为例予以说明。
首先，对乐音分布幅度进行量化。其基本思路是将乐音的分布幅度作为辨别其是否参与调式构成的一个指标。对所有乐音进行量化分类，并以十二个平均音阶作为音列参考对其进行排序。乐音的分布幅度值越高，表明它在歌曲中出现的频率越高，也就表明其越有可能参与调式构成。图8显示了这一步骤的两个结果：一是从调式音列中排除了完全没有出现的乐音，二是从分布幅度上对最有可能的调式骨干音进行的抽取描述。
图8 M03样本全部乐音的数量分级图
其次，使用持续时长阀值进行高通筛查，以区分骨干音和过渡音。全部乐音按持续时长排序，并设置三档持续时长阀值对旋律音高数据集进行高通筛查。根据歌唱声的特点，本例将三档持续时长阀值分别设为0.3s、0.6s和0.9s。通过以上两个步骤，调式主音和骨干音已基本可以确定。（见谱例2）
最后，综合上述判断，再结合尾音频率观测及对数据集的总体方差计算结果，对调式构成进行提取。M03样本的尾音频率是114.019Hz（A#2；
-32cenes）⑰此音高标记采用中央C为“C4”的MIDI音高标记标准。，谱例2是对其调式骨干音的平均律近似表达。
谱例2 M03样本调式骨干音的平均律近似表达
本文所述的民间音乐音响文本“多维度分析”方法，是一种以音频内容分析为技术核心，音频特征提取为主要技术手段，从民间音乐音响文本的多个描述域（如时域、频域以及统计和技术信号域等）提取信息，对其中所蕴涵的音乐形态予以可视化表达与阐释的方法。在统计方法应用上，可将它看作是多元统计分析法的主成分分析和因子分析在音乐学研究领域的应用。它可用于某一类民间音乐品种的自相似性研究，如对音乐形态进行相对客观的描述、对表演形态特性的揭示等；
也可用于对同一类别下不同品种的民间音乐，进行基于客观特征观测的品种差异比较研究，还可为民间音乐文化研究与资源利用，如乐谱转录以及作品改编等，提供基于民间音乐本体分析的技术路径和数据参照。
这一方法具备的优势主要体现在以下几个方面：第一，作为其主要技术手段的音频特征提取，技术主要来源于信号处理、声音与音乐计算等学科的前沿成果，这是这一方法在技术上始终具备领先优势的保证。第二，由于采用开源算法，因此它对特定软件或系统的依赖性不强，可将因软件开发和设计思路所带来的负面影响降至很低。第三，它充分发挥了信息检索技术应用的优势，允许自动提取信息，具备快速、集中处理大批量田野音频数据的能力。第四，在规格化处理和特征数据集形成阶段，还可采用增量方式和集体工作形式来减少或避免重复性工作。第五，它有效避免了因转录而造成的信息丢失，并在工作过程中随时可以访问和对照田野原始数据。第六，它的分析结果可通过丰富的可视化表达方式予以呈现。它也存在一些劣势：一是它的构建对基础设施有一定要求，例如特定的数据结构、软件和维护服务；
二是它的模型结构相对复杂，包含很多维度和视图，存在一定的理解和解释的难度；
三是研究者需要掌握一定的技术才能操作；
四是在技术更新上比较频繁，其本身长期处于动态变化之中。
本文主要聚焦于从民间音乐音响文本多个描述域中提取信息，对其中所蕴涵的音乐形态予以可视化表达与阐释的方法。以西部苗族古歌为例，主要是为了说明这一方法的有效性。因西部苗族古歌并不是本文关注的重点，故本文对其音乐形态只进行了较为初步的测量和描述。西部苗族古歌在特定文化语境下产生和存在，对其音乐形态的研究一方面要对其本体进行深入考察，另一方面也要将其置于具体的文化语境中予以观照。因此，对其更系统的阐释，还有待后续更为深入的研究。
猜你喜欢 音高音响苗族 郭文景《川崖悬葬》多样化和声素材及其音响叙事研究中国音乐学(2022年2期)2022-08-10为何有人唱歌总是跑调文萃报·周五版(2022年24期)2022-06-21以歌为家——在沪苗族务工妇女的音乐生活中国音乐(2022年3期)2022-06-10音高听觉的培养与视唱练耳教学中因材施教探究戏剧之家(2021年18期)2021-11-14田野里的音响阅读(低年级)(2021年10期)2021-03-08补妆乡村地理(2020年2期)2020-09-10蝉语文世界(小学版)(2019年3期)2019-03-18诚实音响故事作文·高年级(2016年12期)2016-12-16钢琴调律对钢琴音准稳定性的作用文艺生活·中旬刊(2016年11期)2016-12-13苗族老照片焦点(2015年12期)2016-01-26