web analytics

SuperCollider 经验分享

你想象SC有多牛逼,它就比你想象的牛逼一万倍。 -∞. 想到什么说什么,绝对没关联,铁定有遗漏。记住,一切貌似神乎其神的高级玩意当你真正用心去了解学习之后,都不过如此。 -8. 从版本3.6开始,载入一个音频文件得这么写: ~chooston = Buffer.read(s, Platform.resourceDir +/+ “sounds”); 之前的代码在3.6中是无效的。 -7. 从版本3.6开始,把鼠标输入位置放在代码块的圆括号里按下 command + enter 会自动执行括号内的全部内容,无需选中全部代码再执行。

SC:马尔可夫链,数值数据文件

人工智能即用计算机听得懂的语言向其描述人类现象:数字、可能性和规则。任何时候,紧缩计算机在音乐框架内的选择,从某种意义上来说,是在教它们某些关于音乐的东西,并让它们做出“聪明的”或见多识广的选择。对随机游走来说也是一样的:如果你紧缩MIDI音的选择,例如说,你教会了patch(通过将MIDI值转为cps)音阶、比率、音程和平均律。如果你将随机选择限制在C大调音阶,那么cpu便对一个音节中全音程与半音程的关系变得“聪明”。如果我们倾向于C比其他音有更多被选择的机会,那么cpu就有一点点懂得调性(tonality)了。这种倾向映射经常以比率或可能性的形式出现。在简单的倾向性随机选择里仅有一级可能性:在音阶内每个可能选择的可能性。这被称为零阶可能性马尔可夫过程(Markov Process with a zeroth order probability)。

SC:额外音乐准则驱动音乐,数据文件

本章,我们将测试与额外音乐准则相连的音乐选择的可能性。几乎所有音乐都对创作者的选择具有音乐性上的影响,这里,我们将强化那个联系。这些准则可能包含诸如植物的电子脉冲、星星的位置、一个山的轮廓、或者雨雪的模式等等自然数据;它们可能包含类似其他音乐、文字、发车时间表等人类体系;或者掩饰的输入(masked input),比如在演出空间中,动作被映射到音高、振幅、音色等等之上的一个听众。

SC:继续完全序列化,特殊考量

绝对值 vs. 比例值,节奏反向 [本章绝大多数偏向创作,并无太多SC的东西] 做序列化的一个选择是选择绝对或比例值。绝对值将一成不变,一个绝对的C4将永远是C4。比例值基于一个公式或上一个值计算。使用同样的比例,却返回不同的值。五度(fifth)音程是比例值一个很好的例子。较弱这样,实际返回的值可能是C4或D-flat3(不懂如何翻译..D降3?),但它将永远比上一个值大1/5。比例值对音高、下一事件、持续时间和振幅起作用。它在振幅方面尤为有用,允许序列化在音量间渐变。

SC:Pbind, 变异, Pfunc, Prand, Pwrand, Pseries, Pseq, 序列化

Pbind将音乐事件的不同参数联系在一起。它使用一个模式将那些值流化(stream)到当前的环境。环境(Environment)是另一个我们之前无需考虑的幕后结构。它包含了一组附属于符号(symbol)的全局默认值。下边是一个不完整的列表。你会发现它们常是以不同方式表述的同样的值:freq和midinote,amp和db。

SC:电脑音乐美学

译者:yang2 | 编辑:ww1way 为什么用电脑做音乐? 你已经学了这么长时间的电脑音乐课,无疑你会有一些想法. 这里是我为什么用电脑作曲的原因: 它们迅速 fast, 精确 accurate, 复杂 complex, 全面 thorough, 顺从 obedient, 而且不带个人意见. 它们会完全按照你的意思来进行,完全顺从你的意见,不抱怨也不提问.它们永远不会用它们的想法来添加或者篡改你的作品.

SC:更随机的数字

在这一节,我们将谈谈不同类型的随机进程。并不会有很多人去写纯的随机音乐(尽管看起来像是)。总之这不是非常有趣的。通常会有一些过滤、倾斜(skew)或倾向(bias)。即使看起来选择的面很宽,所有可被听到的频率(30Hz~20000Hz),对于那些频率都有一个倾向。在之前的“随机”音乐范例中,我们倾向于一个MIDI值的范围(而不是连续的频率),可能的持续时间的范围,等等。即使凯奇(John Cage)的作品常被认为是随机的,但他们仍由倾向塑造。4’33″便具有一个强烈的倾向:没有来自于钢琴的音符。