透過旋律、節奏、和聲與編曲風格，解鎖音樂背後的作曲家身分——從巴哈到鄧雨賢，跨越三百年的音樂基因圖譜
搜尋或依時期篩選，點選卡片檢視生平、作品與風格特徵
選擇你聽到的音訊特徵，系統將比對作曲家資料庫，推薦最符合的作曲家
從巴洛克到當代，橫跨四百年的音樂演進
對位法為核心，裝飾音繁複，通奏低音，情感表達強烈。代表：巴哈、韓德爾、維瓦第。
形式對稱均衡，旋律優雅清晰，奏鳴曲式成熟，交響樂團編制定型。代表：莫札特、海頓、早期貝多芬。
個人情感表達，標題音樂，交響詩，國民樂派，樂團擴編，和聲更豐富。代表：貝多芬（後期）、蕭邦、柴可夫斯基、布拉姆斯、華格納。
朦朧色彩，全音階，平行和絃，避免傳統終止式，以音色與氛圍取代理性結構。代表：德布西、拉威爾。
突破傳統調性，十二音列，多調性，複節奏，原始主義，偶然音樂。代表：斯特拉文斯基、荀白克、巴爾托克、蕭士塔高維契。
極簡主義，電子音樂，世界音樂融合，跨界創作，臺灣與華人作曲家崛起。代表：Philip Glass、坂本龍一、馬水龍、潘皇龍。
快速對比各作曲家的時期、國籍、代表作品與風格特徵
| 作曲家 | 時期 | 國籍 | 生卒年 | 代表作品 | 風格特徵 |
|---|
科普等級解讀：手機App如何「聽」出一首歌？
將音訊轉換為頻譜圖（Spectrogram），提取關鍵頻率峰值的「星座圖」（Constellation），比對資料庫中的特徵雜湊值。
透過傅立葉轉換（FFT）將時域訊號轉換為頻域，分析各頻率成分的強度分佈，識別音色、音高與和聲。
偵測音訊中的起音點（Onset Detection），分析節拍（Beat Tracking）與速度（Tempo Estimation），建立節奏紋理特徵。
提取和絃程序（Chord Progression）與調性（Key Detection），比對常見的和聲進行模式，輔助辨識歌曲與作曲家風格。
現代音訊辨識大量使用深度學習：CNN用於頻譜圖分類，RNN/Transformer用於序列建模，比對學習（Metric Learning）用於檢索。
不同於歌曲辨識，作曲家辨識需要捕捉更抽象的風格特徵：和聲語彙、旋律習慣、配器偏好、結構邏輯，且同一作曲家風格可能隨時期演變。
市面上主流的音樂辨識App原理比較
| 工具 | 核心技術 | 資料庫規模 | 辨識速度 | 特色 | 限制 |
|---|---|---|---|---|---|
| Shazam | 音訊指紋（頻譜峰值雜湊） | 數千萬首 | 極快（<5秒） | 背景雜訊容忍度高，全球最大音樂指紋庫 | 需即時錄音，無法辨識哼唱；已被Apple收購 |
| SoundHound | 音訊指紋 + 哼唱辨識（旋律比對） | 數百萬首 | 快（5-10秒） | 支援哼唱/歌唱辨識，即時歌詞顯示 | 哼唱辨識準確度受個人音準影響 |
| Musixmatch | 歌詞搜尋 + 音訊指紋（整合第三方） | 數千萬首歌詞 | 中（歌詞搜尋） | 全球最大歌詞資料庫，支援多語言歌詞翻譯 | 音訊辨識依賴合作夥伴，本身非核心技術 |
| Google Sound Search | 機器學習 + 音訊指紋（Google AI） | 龐大（YouTube Music整合） | 快 | 整合於Google助理與Pixel手機，待機時自動辨識 | 主要用於Android生態系 |
| AHA Music | 音訊指紋（瀏覽器擴充功能） | 數百萬首 | 快 | Chrome擴充功能，可辨識瀏覽器中播放的音樂 | 僅限瀏覽器環境，需安裝擴充功能 |
| Midomi | 哼唱辨識 + 音訊指紋（SoundHound旗下） | 數百萬首 | 中 | 網頁版哼唱搜尋，使用者可上傳錄音 | 介面較舊，行動體驗不如App |
閱讀風格描述，猜猜是哪位作曲家——測試你的音樂風格感知力
10種互動遊戲與體驗式閱讀，等你來探索！