Définition de systèmes interopérables et ergonomiques d’encodage des musiques ou de description de sources

Le partage de données fait partie intégrante d’un processus d’acquisition. Il ne s’agit en effet pas d’acquérir des données à des fins uniquement de stockage et d’archivage, mais de les acquérir pour les partager avec une communauté à des fins d’analyses, d’études, de statistiques ou encore d’utilisation pour le concert, pour la diffusion et/ou son exploitation dans les milieux culturels par exemple. Pour cela le répertoire doit être identifié, repéré, classé, interopérable, ouvert et partageable pour une exploitation par le plus grand nombre et intégré au linked open data. La définition des objets qui nourrissent la recherche des musicologues impliqués dans MUSICA2 est essentielle. La recherche d’un consensus sur le sujet semble une étape incontournable qui pourra se nourrir de réflexions sur une série d’objets qu’il s’agirait d’interconnecter : la source, l’œuvre musicale ou textuelle, les personnes, les lieux, les événements. L’objectif une fois encore ne sera pas de se substituer à des systèmes déjà opérants, mais de proposer un portage de conceptions qui permettront de travailler sur des corpus homogènes, évidemment, mais aussi hétérogènes.

Une façon courante d’acquérir de la donnée musicale est d’utiliser les logiciels de notation et de se confronter à l’exercice de la transcription. Ce n’est pas la seule, d’autres formes d’acquisition existent de nos jours grâce aux développements récents d’outils de reconnaissance optique de caractères qui, par photographie, génèrent automatiquement des fichiers numériques d’une source numérisée. Concernant la musique, ces travaux restent à ce jour peu satisfaisants en matière de résultat, même si des recherches pour améliorer ces processus sont en cours depuis quelques années à l’instar du projet ANR CollabScore (CNAM, BnF, IReMus, IRISA, Antescofo, Fondation Royaumont). 13 Sont également d’actualité des recherches dans le domaine de l’apprentissage machine et de l’IA. CollabScore proposera par exemple un format documentaire pivot reposant sur un mix MEI/IIIF pour articuler des données musicales hétérogènes : partitions-image, partitions encodées, interprétations audio, annotations et appareil critique, etc. L’interprétation de certains symboles de la notation musicale est suffisamment complexe pour que l’ordinateur ne soit pas dans l’immédiat capable d’interpréter ces symboles musicaux dans un contexte particulier et de les retranscrire correctement. Ces difficultés sont liées d’une part à la qualité graphique des documents originaux qui peut entraîner des problèmes de déchiffrage et d’autre part à la diversité des codes typographiques en usage au fil des périodes historiques. La transcription non-automatique, à l’aide de logiciels de notation musicale reste aujourd’hui la manière la plus fiable pour acquérir des partitions de musique si l’on veille à respecter des paramètres rigoureux d’encodage et à suivre les règles de transcription en adoptant les bons réflexes et les bonnes manipulations des logiciels. La formation et l’expérience dans ce domaine sont les atouts primordiaux afin d’obtenir des transcriptions de haute qualité et des fichiers « propres » à destination de la recherche scientifique et de la publication. Cela nécessite : (1) de suivre des protocoles de transcription (sorte de use cases pour l’édition musicale) lors des transcriptions pour modéliser les corpus à partir de critères standards ; (2) d’être en capacité de restructurer des fichiers qui pourraient être issus de plateformes différentes lors d’acquisitions « sauvages » ; (3) d’être en mesure de transformer les données musicales en données numériques visibles et exploitables sur le web à partir du standard d’encodage qu’est le MEI.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.