Variations in timbre qualia with register and dynamics in the oboe and French horn
Notice bibliographique
Résumé
Many musical instruments produce a myriad of sound colors resulting from diverse playing techniques, both traditional and extended. Such techniques include parameters that are often regularly manipulated in music, such as pitch, intensity (dynamics), articulation style, and duration. Despite the likely contribution of such timbral variations to musical experience, within-instrument timbral flexibility and its semantic consequences have not been addressed empirically. Participants rated sounds produced by the oboe and the French horn on 12 combinations of register and dynamics using the 20-dimensional timbre qualia model from Reymore and Huron (2020). Data are modeled with Exploratory Factor Analysis, partial proportional odds regressions, and random forest classifiers. Although trends between ratings and register/dynamics emerged, the results illustrate the complexity of within-instrument timbral variability. Some trends were approximately linear, others demonstrated non-linear patterns, and some timbre qualia dimensions displayed interactions between register and dynamics. While certain trends were shared between the oboe and French horn, such as an increase in sparkling/brilliant ratings with register, others seem to be unique to each instrument, such as the relationship of ratings of woody to register for the oboe or of ratings of muted/veiled to dynamics for the horn. Results demonstrate that within-instrument timbral variability based on dynamic and register is apparent to listeners and that semantic interactions among parameters can be present. The methodology established in this paper can be extended to address within-instrument timbral flexibility with respect to articulation, duration, and other sources of variation for any instrument or group of instruments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».