2023年的今天,人们似乎已经很难爱上古典音乐。这甚至已经无关乎欣赏门槛,是当下的古典音乐越来越难以寻觅了。搜索乔治·格什温,除了他自己的表演之后,网页上往往还会列出一大堆由其他艺术家演奏的格什温作品。之所以会这样,是因为古典音乐的元数据相对复杂,不仅涉及艺术家、流派、曲目名称或专辑名称等典型内容,同时还会细分为独奏家、作曲家、指挥家,以及管弦乐队及合唱团演奏的作品。Apple Music Classical以苹果2021年收购的Primephonic为基础,成功解决了这个元数据难题。与之对应的,市面上的很多其他音乐App在内容上就远没有这么丰富。
直到亲自下载了Apple Music Classical,我才意识到自己手机上播放过的古典音乐是那么稀少。我也曾经酷爱古典乐、收集唱片、观看不同演出并惊叹于每位指挥家和音乐家在乐曲中的微妙变化。在流媒体成为主流音乐播放媒介之前,我曾整理过一份完整的最喜爱的作曲家播放列表,每个音乐文件的元数据都经过精心填写。MP3文件提供大量元数据存放位,能帮助听者了解是哪位钢琴家在弹奏谢尔盖·拉赫玛尼诺夫的第二钢琴协奏曲。
但随着流媒体的全面兴起,这种细微差别消失了。流媒体的聆听体验只要达到一定水平,就足以覆盖大部分听众;但要想像我这样细致整理作品清单,不仅需要大量资源、而且显得没什么必要。
使用原本的Apple Music能找到的推荐内容少得可怜。
即使到现在,在原本的Apple Music中搜索同一首协奏曲时,它也只会提供两个推荐,之后就是管风琴和四弦琴的翻录版。但在Apple Music Classical当中,我可以花几个小时慢慢聆听第二钢琴协奏曲的几十个表演版本。有些人用葬礼挽歌的忧郁风格演奏,也有人以惊人的速度模仿李斯特的演奏风格,我可以轻松在各个版本间往来切换。其中甚至还有一段对这首协奏曲的描述,解释了其历史背景和这首曲子的难度。
Apple Music Classical似乎是对自己承载的音乐作品抱有一份真诚的爱,我觉得很多重量级作品都得到了与拉赫玛尼诺夫作品相同的待遇,提供几十个演绎版本和简短介绍。此外,还有更多方式可以找到相应音乐。如果我早上想听拉尔夫·沃恩·威廉斯,可以按艺术家搜索,也可以按乐器、管弦乐队、合奏团、指挥或独奏家,甚至是合唱团进行搜索。
其中按合唱团搜索给我留下了特别深刻的印象,效果远超其他音乐App,至少更容易找到。我曾经花了好几年时间查找大学里听过的《虔诚敬拜》的特定某个改编版本,最终还是在Apple Music Classical中才找到(来自Bairstow: Great Cathedral Anthems Vol. 1)。这种找到自己喜爱多年的特定合唱团作品的感觉,真的非常奇妙。
在众多作品中,你可以得到关于作品本身的细节,按受欢迎程度、名称、发行日期或持续时间进行排序,还可以得到相关的作品。
我们可以在很多作品中找到相关信息,浏览大量演绎版本,并按受欢迎度、名称、发布日期或时长等进行排序。软件还会推荐其他相关作品,我就发现了不少之前从没听过、但确实有所关联的推荐。
Apple Music Classical当然称不上完美。令人惊讶的是,《伊戈尔王子》中波洛夫茨舞曲的《鞑靼少女之舞》竟然未被收录在亚历山大·鲍罗丁的流行作品当中,但却作为1953年音乐剧《天命》中著名歌曲《天堂中的陌生人》的原曲……好吧,可能是我要求太多了。
总之,我爱上了Apple Music Classical,而且很想知道其他音乐App为什么就做不到这样。虽然古典音乐确实更需要大量元数据,但我觉得别的音乐也不差哪吧。人们喜欢听特定制作人的作品,所以在搜索史蒂芬·桑德海姆时,当然想看到他创作的所有音乐剧。
我能理解Apple Music为什么无法在搜索和浏览方面提供同样多的细节,毕竟这里涵盖更多音乐类型,听众的期望也不像古典乐那么统一,必须在各个方面都做得足够好。而Apple Music Classical只要做好一个方面,就已经算得上成功了。但也有朋友在期待能不能出一款Apple Music的Jazz版,相信市场还会提出更多需求。总之,如今的音乐流媒体App正试图通过差异化来赚取收入,苹果宣传的是空间音频,Spotify主打音频播客,YouTube Music则把视频片段跟原曲联系起来。只有Apple Music Classical不忘初心,关注听众的喜好,始终在意这帮能把乐曲听上整整一下午的家伙需要什么。
好文章,需要你的鼓励
在他看来,企业对AI的恐惧源自未知,而破解未知的钥匙,就藏在“AI平台+开源”这个看似简单的公式里。
斯坦福和魁北克研究团队首创"超新星事件数据集",通过让AI分析历史事件和科学发现来测试其"性格"。研究发现不同AI模型确实表现出独特而稳定的思维偏好:有些注重成就结果,有些关注情感关系,有些偏向综合分析。这项突破性研究为AI评估开辟了新方向,对改善人机协作和AI工具选择具有重要意义。
Pure Storage发布企业数据云(EDC),整合其现有产品组合,提供增强的数据存储可见性和基于策略的简化管理。EDC集成了Purity存储操作系统、Fusion资源管理、Pure1舰队管理和Evergreen消费模式等架构元素,提供类云存储管理环境。该方案支持声明式策略驱动管理,让客户专注业务成果而非基础设施管理。同时发布高性能闪存阵列和300TB直接闪存模块,并与Rubrik合作提供网络安全防护能力。
威斯康星大学研究团队提出"生成-筛选-排序"策略,通过结合快速筛选器和智能奖励模型,在AI代码验证中实现了11.65倍速度提升,准确率仅下降8.33%。该方法先用弱验证器移除明显错误代码,再用神经网络模型精确排序,有效解决了传统方法在速度与准确性之间的两难选择,为实用化AI编程助手铺平了道路。