気づかないうちに使っている形式

MuseScoreで譜面を開いたことがある、Sibeliusから記譜データを書き出したことがある、Finaleに曲を取り込んだことがある、あるいは作成元とはまったく違うアプリでも問題なく開けた楽譜をダウンロードしたことがある――そのどれかに心当たりがあるなら、そこにはほぼ間違いなくMusicXMLが関わっている。これは記譜における標準の中間形式であり、オーディオにおける.mp3、文書における.pdfと同じ役割を記譜の世界で果たしている。異なるプログラムが読み書きに合意した共通形式があることで、ファイルが特定のソフトに縛られずに済むわけだ。

MusicXMLファイルの中身に実際にあるもの

ページの固定画像であるPDFや、固定された録音である音声ファイルとは違い、MusicXMLは構造化された編集可能なデータだ。テキストベースのマークアップ形式であるXMLを使って、ミュージシャンが音楽について語るのと同じような形で音楽を記述する。

音符。 それぞれに音高、長さ、小節内の位置を持つ。
調号と拍子記号。 暗黙のうちにではなく、明示的に記述される。
音部記号。 楽器やパートごとに指定される。
強弱、アーティキュレーション、その他の指示。 どれくらい強く、どれくらい切って/つなげて演奏するか、どこでブレスを取るか。
複数のパート。 単一楽器を超えるあらゆるもの、バンドやオーケストラのフルスコアなど。

これらすべてが平面的な画像ではなく構造化されたデータであるため、MusicXMLファイルを開くプログラムは、それを単に表示するだけではない。別の調に移調したり、編成を変えたり、テンポを調整したり、フルスコアから一つのパートだけを抜き出したり、音声として再生したりできる。同じ曲のPDFではそのどれもできない。単なる音符の画像にすぎないからだ。

記譜ツールがこの形式を標準として採用している理由

共有形式が存在する前は、異なる記譜プログラム間で譜面を移動させるには、たいていの場合最初から作り直す必要があった。MuseScoreはFinaleのネイティブファイルを開けず、SibeliusはDoricoのネイティブプロジェクトを開けない、といった具合だ。MusicXMLは、ほとんどの中間形式がそのカテゴリの問題を解決するのと同じやり方でこれを解決した。特定のプログラムのネイティブ形式になるのではなく、あらゆるプログラムがインポートとエクスポートの両方でサポートすることに合意する共通の着地点になったのだ。あるアプリで曲を書き、MusicXMLとして書き出せば、音符もリズムも構造もそのままに、まったく別のアプリで開くことができる。

MusicXMLファイルは実際どこから生まれるのか

いくつかのよくある経路が、すべて同じ形式に行き着く。

記譜ソフトで直接書かれたもの。 MuseScoreやSibeliusなどで作成し、書き出したもの。
MIDIから変換されたもの。 MIDIは正確な音符とタイミングのデータを持つ一方で、調号や小節、音部記号といった記譜の概念を持たない。そのため、MIDIからMusicXMLへの変換ステップで、譜面として表示される前にこれらの要素が解決される。
音声の書き起こしから生成されたもの。 AIやアルゴリズムが録音を聴き、演奏されている内容を推測し、標準の記譜ツールで開けるようにMusicXMLとして結果を出力する。

どの経路をたどってきたものであっても、いったんファイルが有効なMusicXMLになれば、下流のすべてのツールはそれを同じように扱う。記譜ソフトにとって、その音符がキーボードから来たのか、MIDIファイルから来たのか、書き起こしアルゴリズムから来たのかは、知る必要も気にする必要もないことなのだ。

この形式そのものの実用的な使い道

記譜プログラム間で楽譜を移動させること。 構造やフォーマットを失わず、すべての音符を入力し直す必要もない。
作品を共有すること。 相手が何を使っていようと、そのコラボレーターの記譜ソフトで開ける形で渡せる。
音楽をアーカイブすること。 特定の一社のソフトが生き残るか、互換性を保ち続けるかに左右されない形式で保存できる。
プログラムによる生成。 レンダリングされた画像ではなく構造化されたテキストであるため、ソフトウェアが直接有効なMusicXMLを書き出すことができる。これはまさに、決定論的なMIDIから記譜へのパイプラインが、何かを手で「描く」ことなく譜面を生成できる仕組みそのものだ。

この記事の位置づけ

MIDIや音声を読みやすい楽譜に変換するものは、その裏側では例外なくMusicXMLファイルを生成し、それをレンダリングしている。これはMIDIから楽譜へにもAIによる音声の書き起こしにも共通して言えることだ。この形式そのものを理解することで、なぜMIDIベースの変換は正確でいられるのに、音声ベースの変換は推測に頼らざるを得ないのかがはっきり見えてくる。どちらも最終的にはMusicXMLになるが、一方だけが最初からすでに正確なデータから出発しているのだ。