Темп и жанр

Стиль (или жанр) музыкального произведения определяется рядом признаков, таких как темп, использование определённых звуков и паттернов.

Скорее всего, вы сразу можете определить жанр песни, когда её слышите, только на основе вашего слушательского опыта. Ниже приведены «типичные» диапазоны темпов для некоторых распространённых жанров:

Даб: 60-90 bpm
Хип-хоп: 60-100 pbm
Хаус: 115-130 bpm
Техно/транс: 120-140 bpm
Дабстеп: 135-145 bpm
Драм-н-бэйс: 160-180 bpm

Попробуйте поменять темп паттерна во время воспроизведения и послушайте, как меняется характер музыки, даже если паттерн остаётся абсолютно неизменным.

Пожалуйста, воспользуйтесь браузером, поддерживающим Web Audio, таким как Chrome, Safari, Firefox или Edge.”>’>

English 简体中文繁體中文 Deutsch Español Français עִבְרִית Bahasa Indonesia Italiano 日本語 한국어 Nederlands Português Pусский Suomi ไทย Türkçe Tiếng Việt

List of average genre tempo (BPM) levels?

Locked. This question and its answers are locked because the question is off-topic but has historical significance. It is not currently accepting new answers or interactions.

I’ve been told before that a genre such as drum and bass averages a BPM of 160-180, whereas dubstep is around 140 BPM and hip-hop is around 115 BPM. Does anyone know where I can get a list of popular genres with their average BPM?

I think the BPM Database could help you, but you’ll have to carry out the computation of the average yourself by retrieving all songs under a given genre.

the stupid protection status of this question doesn’t allow me to post this as an answer (if I don’t lose a week or something pretending to bother about other people’s ignorance) but here’s a very good list of tempos: classical, jazz, and organized by dance genre. It also specifies a catch with songs that tend to be written “alla breve”.

2 Answers 2

Let’s start a list!

Hip Hop is around 80-115 BPM
Triphop / Downtempo around 90-110 BPM
Concert marches are typically ~120 BPM.

House varies between 118 and 135 BPM

UK garage/2-step is usually between 130-135 BPM
UK funky is around 130 BPM

Generally around 120-135
Acid Techno 135-150
Schranz around 150

Dubstep is not 140 BPM. I don’t know why that number gets thrown around, but most dubstep is from the 70’s to 100, with most falling in-between 80 and 90. In many songs it’s often for a double-time break to happen, at which point it will reach 140~200, respectively, but it shouldn’t be timed that way. – n_b
*Dubstep is 70 – 75 BPM, which is equivalent to 140 – 150 BPM depending on if you count the snare on the 2 and 4 or the 3 of the measure.

Oldschool jungle is around 160-170
Drum & Bass and Drumstep and Neurofunk 170-180

Some of the basic tempo markings

Largo is 40-60 BPM
Larghetto is 60-66 BPM
Adagio is 66-76 BPM
Andante is 76-108 BPM
Moderato is 108-120 BPM
Allegro is 120-168 BPM
Presto is 168-200 BPM
Prestissimo is 200+ BPM

Good list, but the ones from “Largo” and down are tempo notations itself, although a lot of composers have used the notations as part of the piece name.

Also, take a look at Wikipedia article about Tempo (markings) and BPM. Some genre like Speedcore can achieve extreme tempo above 300 BPM.

Dubstep is produced with DAWs at 140BPM, But If you see how the Rhythm goes Musically it’s actually 70BPM

Популярность BPM в разных жанрах музыки. Python: анализ скорости исполнения 500 лучших песен

Несколько лет назад, занимался изучением теории музыки, продавал и писал аудио-инструментал для аренды или заказов. Изначально, процесс явно творческий, но вскоре, мой интерес к коммерческой части превысил и возник вопрос: «В каком же темпе создавать ритм музыки?».

Мною была замечена тенденция вариаций темпа популярных песен одного жанра, поэтому идея анализа крупной выборки лучших композиций, для определения популярного [часто: самого продаваемого] диапазона темпа исполнения , не покидала с тех пор…

BPM [в музыке] — показатель, для определения скорости исполнения композиции, путём измерения количества тактовых долей в минуту.

1: Пролог

Устанавливаем «Matplotlib» и «Pandas» с необходимыми зависимостями через pip-менеджер в консоли/терминале.

«python -m pip install -V matplotlib» и «pip install pandas»

Создаём директорию, а потом виртуальное окружение для проекта. После, подключаем библиотеки в IDE [в моём случае: PyCharm].

File — Settings — Project: [. ] — Python Interpreter

2: BPM

BPM будем вычислять через функцию «Detect tempo» в FL Studio и через сайт tunebat.com

ПКМ по верхней левой иконке на звуковой дорожке — Detect tempo — Выбрать диапазон

3: DataSet

Начинаем создание DataSet’а [выборки-коллекции данных] в Excel, для каждого жанра. Экспортируем в CSV-формат с настройками разделителя — запятой. Следующие CSV-файлы создавал в IDE, так удобнее. Выборки перемещаем в директорию, где находится файл самой программы.

В первой строке CSV-файлов указываются параметры, которые разделяются запятыми. Следующие строки содержат уже значения этих параметров. При окончательной проверке, DataSet должен последовательно содержать данные: названия трека, BPM и год выхода композиции. Будем использовать информацию выборки в сто песен, для каждого жанра из выбранных пяти.

Параметры: «name» — название трека; «bpm» — темп; «year» — год релиза

4: Rap — построение точечной диаграммы и гистограммы

На основе информации DataSet’а, создаём точечную диаграмму [Scatter Plots] для изучения взаимосвязи между BPM и годом выпуска, а также для отображения концентраций при ранжировании данных.

Видно, что с 1980 по 2005 гг. основным темпом был диапазон в 90-105 BPM «Код точечной диаграммы с комментариями»

from matplotlib import pyplot as plt # Первый каноничный импорт import pandas as pd # Второй каноничный импорт для обработки DataSet'а plt.style.use('fivethirtyeight') # Назначаем стилистику визуализации data_set = pd.read_csv('Rap.csv') # Считываем данные SCV-файла с DataSet'ом bpm = data_set['bpm'] # Переменная, для параметра BPM в каждой строке year = data_set['year'] # Переменная, для параметра "год релиза" в каждой строке plt.scatter( # Построение точечного графика и его настройка bpm, year, # Данные для осей «x» и «y» c=bpm, # Привязка цвета к нужной оси s=bpm*1.5, # Зависимость размера точки cmap='gist_heat', # Цветовая карта графика edgecolor='black', # Цвет контура точки linewidth=.7 # Толщина контура точки ) bar = plt.colorbar( # Построение шкалы BPM orientation='horizontal', # Ориентация шкалы shrink=0.8, # Масштаб шкалы extend='both', # Скос краёв шкалы extendfrac=.1 # Угол скоса краёв ) bar.set_label('Шкала ударов в минуту', fontsize=18) # Подпись шкалы plt.title('Популярность скорости ' # Заголовок графика 'исполнения в Rap\'е ', fontsize=25) plt.xlabel('BPM', fontsize=18) # Ось абсцисс plt.ylabel('Год релиза', fontsize=18) # Ось ординат plt.tight_layout() # Настройка параметров подзаголовков в области отображения plt.show() # Вывод на экран

Если диаграмма отражает точечное положение трека в зависимости двух переменных, — BPM и года релиза, — то гистограмма покажет частоту-количество попаданий значения BPM для каждого диапазона на шкале. Таким образом, определится популярность определенного темпа.

Самый популярный диапазон: 80-100 BPM «Код гистограммы без комментариев»

import pandas as pd from matplotlib import pyplot as plt from collections import Counter plt.style.use("fivethirtyeight") data_set = pd.read_csv('Rap end.csv') index = data_set['number'] ranges = data_set['bpm_range'] counter = Counter() for index in ranges: counter.update(index.split(';')) range_bpm = [] value = [] for item in counter.most_common(100): range_bpm.append(item[0]) value.append(item[1]) range_bpm.reverse() value.reverse() plt.barh( range_bpm, value, linewidth=.5, edgecolor='black', color='#e85b45', label='Количество точек на предыдущем графике' ) plt.legend() plt.title('Популярность интервала значений BPM в rap\'е', fontsize=25) plt.xlabel('Количество песен в диапазоне BPM', fontsize=18) plt.ylabel('Диапазоны BPM', fontsize=18) plt.tight_layout() plt.show()

5: Рок

Однозначности пока что нет, — особенность жанра. — поэтому, второй график построен при округлении параметра «year/год выхода композиции».

«Код точечной диаграммы с комментариями»

from matplotlib import pyplot as plt # Первый каноничный импорт import pandas as pd # Второй каноничный импорт для обработки DataSet'а plt.style.use('fivethirtyeight') # Назначаем стилистику визуализации data_set = pd.read_csv('Rock.csv') # Считываем данные SCV-файла с DataSet'ом bpm = data_set['bpm'] # Переменная, для параметра BPM в каждой строке year = data_set['year'] # Переменная, для параметра "год релиза" в каждой строке plt.scatter( # Построение точечного графика и его настройка bpm, year, # Данные для осей «x» и «y» c=bpm, # Привязка цвета к нужной оси s=bpm*1.5, # Зависимость размера точки cmap='gist_heat', # Цветовая карта графика edgecolor='black', # Цвет контура точки linewidth=.7 # Толщина контура точки alpha=.7 # Прозрачность точки ) bar = plt.colorbar( # Построение шкалы BPM orientation='horizontal', # Ориентация шкалы shrink=0.8, # Масштаб шкалы extend='both', # Скос краёв шкалы extendfrac=.1 # Угол скоса краёв ) bar.set_label('Шкала ударов в минуту', fontsize=18) # Подпись шкалы plt.title('Популярность скорости ' # Заголовок графика 'исполнения в роке', fontsize=25) plt.xlabel('BPM', fontsize=18) # Ось абсцисс plt.ylabel('Год релиза', fontsize=18) # Ось ординат plt.tight_layout() # Настройка параметров подзаголовков в области отображения plt.show() # Вывод на экран

Самые популярные диапазоны: 120-140 и 100-120 BPM «Код гистограммы без комментариев»

import pandas as pd from matplotlib import pyplot as plt from collections import Counter plt.style.use("fivethirtyeight") data_set = pd.read_csv('Rock end.csv') index = data_set['number'] ranges = data_set['bpm_range'] counter = Counter() for index in ranges: counter.update(index.split(';')) range_bpm = [] value = [] for item in counter.most_common(100): range_bpm.append(item[0]) value.append(item[1]) range_bpm.reverse() value.reverse() plt.barh( range_bpm, value, linewidth=.5, edgecolor='black', color='#e85b45', label='Количество точек на предыдущем графике' ) plt.legend() plt.title('Популярность интервала значений BPM в роке', fontsize=25) plt.xlabel('Количество песен в диапазоне BPM', fontsize=18) plt.ylabel('Диапазоны BPM', fontsize=18) plt.tight_layout() plt.show()

6: Блюз

Видно высокую концентрацию использования темпа около 100 BPM в 90-х «Код точечной диаграммы с комментариями»

from matplotlib import pyplot as plt # Первый каноничный импорт import pandas as pd # Второй каноничный импорт для обработки DataSet'а plt.style.use('fivethirtyeight') # Назначаем стилистику визуализации data_set = pd.read_csv('Blues.csv') # Считываем данные SCV-файла с DataSet'ом bpm = data_set['bpm'] # Переменная, для параметра BPM в каждой строке year = data_set['year'] # Переменная, для параметра "год релиза" в каждой строке plt.scatter( # Построение точечного графика и его настройка bpm, year, # Данные для осей «x» и «y» c=bpm, # Привязка цвета к нужной оси s=bpm*1.5, # Зависимость размера точки cmap='gist_heat', # Цветовая карта графика edgecolor='black', # Цвет контура точки linewidth=.7 # Толщина контура точки ) bar = plt.colorbar( # Построение шкалы BPM orientation='horizontal', # Ориентация шкалы shrink=0.8, # Масштаб шкалы extend='both', # Скос краёв шкалы extendfrac=.1 # Угол скоса краёв ) bar.set_label('Шкала ударов в минуту', fontsize=18) # Подпись шкалы plt.title('Популярность скорости ' # Заголовок графика 'исполнения в блюзе', fontsize=25) plt.xlabel('BPM', fontsize=18) # Ось абсцисс plt.ylabel('Год релиза', fontsize=18) # Ось ординат plt.tight_layout() # Настройка параметров подзаголовков в области отображения plt.show() # Вывод на экран

Самый популярный диапазон: 100-120 BPM «Код гистограммы без комментариев»

import pandas as pd from matplotlib import pyplot as plt from collections import Counter plt.style.use("fivethirtyeight") data_set = pd.read_csv('Blues end.csv') index = data_set['number'] ranges = data_set['bpm_range'] counter = Counter() for index in ranges: counter.update(index.split(';')) range_bpm = [] value = [] for item in counter.most_common(100): range_bpm.append(item[0]) value.append(item[1]) range_bpm.reverse() value.reverse() plt.barh( range_bpm, value, linewidth=.5, edgecolor='black', color='#e85b45', label='Количество точек на предыдущем графике' ) plt.legend() plt.title('Популярность интервала значений BPM в блюзе', fontsize=25) plt.xlabel('Количество песен в диапазоне BPM', fontsize=18) plt.ylabel('Диапазоны BPM', fontsize=18) plt.tight_layout() plt.show()

7: Chillout

Много наложений точек друг на друга. К сожалению, не знаю, как это исправить. Пришлось сделать точки более прозрачными, с помощью аргумента «alpha» функции «.scatter».

«Код точечной диаграммы с комментариями»

from matplotlib import pyplot as plt # Первый каноничный импорт import pandas as pd # Второй каноничный импорт для обработки DataSet'а plt.style.use('fivethirtyeight') # Назначаем стилистику визуализации data_set = pd.read_csv('Chillout.csv') # Считываем данные SCV-файла с DataSet'ом bpm = data_set['bpm'] # Переменная, для параметра BPM в каждой строке year = data_set['year'] # Переменная, для параметра "год релиза" в каждой строке plt.scatter( # Построение точечного графика и его настройка bpm, year, # Данные для осей «x» и «y» c=bpm, # Привязка цвета к нужной оси s=bpm*1.5, # Зависимость размера точки cmap='gist_heat', # Цветовая карта графика edgecolor='black', # Цвет контура точки linewidth=.7 # Толщина контура точки alpha=.5 # Прозрачность точки ) bar = plt.colorbar( # Построение шкалы BPM orientation='horizontal', # Ориентация шкалы shrink=0.8, # Масштаб шкалы extend='both', # Скос краёв шкалы extendfrac=.1 # Угол скоса краёв ) bar.set_label('Шкала ударов в минуту', fontsize=18) # Подпись шкалы plt.title('Популярность скорости ' # Заголовок графика 'исполнения в Chillout', fontsize=25) plt.xlabel('BPM', fontsize=18) # Ось абсцисс plt.ylabel('Год релиза', fontsize=18) # Ось ординат plt.tight_layout() # Настройка параметров подзаголовков в области отображения plt.show() # Вывод на экран

Самый популярный диапазон: 80-100 «Код гистограммы без комментариев»

import pandas as pd from matplotlib import pyplot as plt from collections import Counter plt.style.use("fivethirtyeight") data_set = pd.read_csv('Chillout end.csv') index = data_set['number'] ranges = data_set['bpm_range'] counter = Counter() for index in ranges: counter.update(index.split(';')) range_bpm = [] value = [] for item in counter.most_common(100): range_bpm.append(item[0]) value.append(item[1]) range_bpm.reverse() value.reverse() plt.barh( range_bpm, value, linewidth=.5, edgecolor='black', color='#e85b45', label='Количество точек на предыдущем графике' ) plt.legend() plt.title('Популярность интервала значений BPM в Chillout', fontsize=25) plt.xlabel('Количество песен в диапазоне BPM', fontsize=18) plt.ylabel('Диапазоны BPM', fontsize=18) plt.tight_layout() plt.show()

8: EDM

Здесь также для наглядности пришлось сделать точки ещё более прозрачными. Если кто-то знает, как исправить дефект наложения, прошу написать в комментариях.

Довольно однозначно вышло. «Код точечной диаграммы с комментариями»

from matplotlib import pyplot as plt # Первый каноничный импорт import pandas as pd # Второй каноничный импорт для обработки DataSet'а plt.style.use('fivethirtyeight') # Назначаем стилистику визуализации data_set = pd.read_csv('EDM.csv') # Считываем данные SCV-файла с DataSet'ом bpm = data_set['bpm'] # Переменная, для параметра BPM в каждой строке year = data_set['year'] # Переменная, для параметра "год релиза" в каждой строке plt.scatter( # Построение точечного графика и его настройка bpm, year, # Данные для осей «x» и «y» c=bpm, # Привязка цвета к нужной оси s=bpm*1.5, # Зависимость размера точки cmap='gist_heat', # Цветовая карта графика edgecolor='black', # Цвет контура точки linewidth=.7 # Толщина контура точки alpha=.2 # Прозрачность точки ) bar = plt.colorbar( # Построение шкалы BPM orientation='horizontal', # Ориентация шкалы shrink=0.8, # Масштаб шкалы extend='both', # Скос краёв шкалы extendfrac=.1 # Угол скоса краёв ) bar.set_label('Шкала ударов в минуту', fontsize=18) # Подпись шкалы plt.title('Популярность скорости ' # Заголовок графика 'исполнения в EDM', fontsize=25) plt.xlabel('BPM', fontsize=18) # Ось абсцисс plt.ylabel('Год релиза', fontsize=18) # Ось ординат plt.tight_layout() # Настройка параметров подзаголовков в области отображения plt.show() # Вывод на экран

Самый популярный диапазон: 120-140 «Код гистограммы без комментариев»

import pandas as pd from matplotlib import pyplot as plt from collections import Counter plt.style.use("fivethirtyeight") data_set = pd.read_csv('EDM end.csv') index = data_set['number'] ranges = data_set['bpm_range'] counter = Counter() for index in ranges: counter.update(index.split(';')) range_bpm = [] value = [] for item in counter.most_common(100): range_bpm.append(item[0]) value.append(item[1]) range_bpm.reverse() value.reverse() plt.barh( range_bpm, value, linewidth=.5, edgecolor='black', color='#e85b45', label='Количество точек на предыдущем графике' ) plt.legend() plt.title('Популярность интервала значений BPM в EDM', fontsize=25) plt.xlabel('Количество песен в диапазоне BPM', fontsize=18) plt.ylabel('Диапазоны BPM', fontsize=18) plt.tight_layout() plt.show()

9: Заключение

Самым простым графиком сравним количество попаданий в каждый диапазон, композиций, из всех проанализированных ранее жанров*.

* такие жанры как ethnic, ambient, folk, dubstep, reggae и др, не удалось к сожалению разобрать из-за отсутствия качественной выборки.

BPM/Кол-во треков

Скільки BPM у різних жанрах