当前位置:网站首页>乐理基础(简述)
乐理基础(简述)
2022-07-02 06:28:00 【王子良.】
五线谱
由五条距离相等的平行线组成的,用来记录音符或休止符的谱子,从下到上有五条线,有四个间。我们从下向上数,第一线,第二线,第三线,第四线,第五线。 依然是从下向上数,分为第一间,第二间,第三间,第四间。


乐音
一般来说, 音乐中使用的,有固定音高的音称为乐音
从下加一线开始,到第三线。有七个音。也就是分别是
下加一线,下加一间,第一线,第一间,第二线,第二间,第三线
他们有自己的音名。分别对应了如下
下加一线,下加一间,第一线,第一间,第二线,第二间,第三线
C D E F G A B
c d e f g a b

D, G, E, B, A, F, C

下加一线,下加一间,第一线,第一间,第二线,第二间,第三线
C D E F G A B
do re mi fa sol la si
唱名练习
re, sol, mi, si, la, fa, do
谱号
谱号是用来确定音符在五线谱上音高位置的符号


音的分组
键盘上最高的音,应该是小字五组的 do。到此结束。


等音
等音通俗易懂来说就是听起来音高一样,就是名称不同。有可能是音名,也有可能是唱名。
基本音级
七个具有独立名称的音级。从中央C开始向上,do re mi fa sol la xi;
变化音级
如果把基本音级升高或者降低,就叫做变化音级。按下do的时候,按下右侧第一个黑键,升高。他是在原有的do的基础上,升高了一个半音得来的。
等音
在升do的时候,用到了do右侧的第一个黑键,在进行降re的时候,也用到了这个黑键(re的左侧第一个黑键) (升C降D) 所以这个键,就成了两个不同的唱名,一个叫升C,一个叫降D
变化音级不一定是在黑键上产生的,也可以在白键上产生。
谱表


音符
单纯音符
符头分为空心的和 实心的,符干在书写的时候有头朝下的,也有头朝上的。
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-esZLkq0L-1636183236021)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1636182728116.png)]`](/img/9e/91ba14e28aafc018e77bff51040c88.png)
我们把实心符头,加上符干,这样的音符,我们称为四分音符。他通常为一拍,但是每一拍的快慢并不是绝对的。
两个四分音符加在一起,就变成了二分音符。是空心符头,加上符干,他的时间比刚刚的四分音符长了一倍。
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1ableGcd-1636183236022)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1636182972020.png)]](/img/6f/8285390bba6991956ec3aa24e51a95.png)
把两个二分音符加在一起,就变成了全音符。我们只需要一个空心符头即可。他表示四拍
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SFBDNTPw-1636183236024)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1636183061694.png)]](/img/04/5e8afa38129735d7bca2a1ce33ce9f.png)
两个八分音符构成了一个四分音符,所以八分音符是四分音符时长的一半。他的写法如下,由实心符头,符干,和一个符尾组成。
当两个八分音符或者是更多的八分音符连到一起写的时候,他的符尾是这样的形式出现的。
不管是单独写,还是一起写,他的时值都是不变的。
十六分音符,是四分之一拍,所以四个十六分音符是一拍,所以四个十六分音符为一组,两条符尾都变成横的,三十二音符变成了三条横尾。最底下一条连接两边。
附点音符
附点音符就是在单纯音符的后面加一个小附点。
附点全音符由原来的四拍,变成了六拍,也就是说,后面这个小点是增长了前面音符时值的一半。
浮点二分音符整个变成了三拍。浮点四分音符整个变成了一拍半。 附点八分音符整个变成了四分之三拍。
复附点音符

表示,全音符的拍数,加上全音符一半的二分音符的二拍,加上二分音符的二分之一也就是四分音符的一拍。总共是 4 + 2 + 1 = 7拍。
音符的写法
我们以五线谱的第三线为例,比第三线高的音,也就是往上走,第三间,第四线,第四间,第五线…这些音,都是比第三线的音要高的。往下走,第二间,第二线,第一间,第一线…这些音,都是比第三线低的。所以以第三线为准,比第三线高的音,符干冲下写。比第三线低的音,符干冲上写。而第三线这个音,是最灵活的,既可以冲上,也可以冲下。
边栏推荐
- Rhel7 operation level introduction and switching operation
- Income in the first month of naked resignation
- 【Programming】
- Meta Learning 简述
- The internal network of the server can be accessed, but the external network cannot be accessed
- 【Batch】learning notes
- 用全连接层替代掉卷积 -- RepMLP
- [mixup] mixup: Beyond Imperial Risk Minimization
- [learning notes] matlab self compiled image convolution function
- 【Cascade FPD】《Deep Convolutional Network Cascade for Facial Point Detection》
猜你喜欢

How to clean up logs on notebook computers to improve the response speed of web pages

Using transformer for object detection and semantic segmentation

【FastDepth】《FastDepth:Fast Monocular Depth Estimation on Embedded Systems》

Using super ball embedding to enhance confrontation training

Replace convolution with full connection layer -- repmlp

I'll show you why you don't need to log in every time you use Taobao, jd.com, etc?

【MobileNet V3】《Searching for MobileNetV3》

【双目视觉】双目矫正

CVPR19-Deep Stacked Hierarchical Multi-patch Network for Image Deblurring论文复现

【TCDCN】《Facial landmark detection by deep multi-task learning》
随机推荐
Label propagation
What if the laptop can't search the wireless network signal
Summary of solving the Jetson nano installation onnx error (error: failed building wheel for onnx)
【Paper Reading】
【Sparse-to-Dense】《Sparse-to-Dense:Depth Prediction from Sparse Depth Samples and a Single Image》
EKLAVYA -- 利用神经网络推断二进制文件中函数的参数
Data reverse attack under federated learning -- gradinversion
常量指针和指针常量
Organigramme des activités
Meta Learning 简述
Vscode下中文乱码问题
[binocular vision] binocular stereo matching
【MagNet】《Progressive Semantic Segmentation》
How gensim freezes some word vectors for incremental training
Ppt skills
Apple added the first iPad with lightning interface to the list of retro products
C # connect to MySQL database
Daily practice (19): print binary tree from top to bottom
MoCO ——Momentum Contrast for Unsupervised Visual Representation Learning
【Sparse-to-Dense】《Sparse-to-Dense:Depth Prediction from Sparse Depth Samples and a Single Image》