Shazam 是如何听音辨曲的？

1 数据库的建立：

1.1 特征提取：对每个音频提取spectrogram，横轴为时间，纵轴为频率，用每个坐标上点的颜色来表示能量高低，选取能量较高的作为特征点。

1.2 每秒提取三个特征点，如果数据库中总共有一百万首乐曲，每首乐曲的长度大约为4分钟，也就是240秒，那么一共大约有个特征点。

1.3 采用Hash Table建立数据库。Key值为每个特征点对应的频率，桶内存放的数据为特征点的偏移量以及音频的ID。那么假设对频率保留五位有效数字（有效数字太多，抗噪性能会变差），最多也只能建立个桶，用10bit来表示每个Key，平均每个桶中有个元素，碰撞会十分严重，检索效率太低。

1.4 为了提高检索效率，必须提高Key值的熵，也就是增加Key值的位数。这里采用特征点对的方法，每个Key值用三种特征值表示，f表示anchor的频率，表示anchor和target zone中特征点的频率差值，表示他们的时间差值，这样就可以建立个桶，大约是原来的倍，平均每个桶中只有一个元素，大大减小了碰撞的几率，检索一次的速率提高了倍。

1.5 由于采用了特征点对的方法，需要检索的次数是原来的100倍（数据库中多了10倍，被检索音频多了10倍）。即使这样，整体速度依然提高了10000倍。这就是一种以空间换时间的方法。

1.6 如果每个特征点仅仅检索一次的话，抗噪性能会大幅减弱。假设一个特征点匹配的概率为p，那么特征点对匹配的概率为，概率值减小了很多。因此采用target zone的方法，每个anchor对应一个target zone，每个target zone中有10个特征点，这样针对每个anchor都形成了10个特征点对，这10个特征点对中有一对能匹配的概率是，也就是每个anchor匹配的概率和原来（p）近似相等。

2 检索

2.1 对找到的匹配特征点按乐曲的ID进行分类，针对每一个ID得到一系列时间对，即数据库中音频特征点的偏移量和样例音频中特征点的偏移量。如下图：

2.2 当两个音频匹配时，这些特征点对将形成一条对角线，当能够检测到这样一条对角线时，说明两个音频匹配。

2.3 通过计算每个点横纵坐标的差值可以得到一个柱状图，找出其中最高的那根，就可以判断是否匹配了。

上文来自：http://blog.csdn.net/koala_bupt/article/details/4404827

我们常常会遭遇到这样的尴尬：在大街小巷邂逅一段熟悉的旋律，无奈又听不清歌词。遗憾也许这辈子就这样失之交臂了。

不必懊恼，Shazam 是一款能够识别音乐讯号的应用。相信不少朋友对它并不陌生。它在 iPhone 和 Andriod 手机里出现的频率很高，诺基亚的某些手机甚至预装了这样一款软件。

它的基本原理就是通过采集十几秒的声音样本，通过网络将音乐信号发回 Shazam公司，经过数据分析，很快便将该乐曲的相关信息发回手机。你对此一定不满足，幸运的是我们找到了开发者的一份材料。

我们都知道，一段音乐信号可以通过频谱图表示。横轴表示时间，纵轴为频率，另一个轴表示强度，即一个三维的频谱。那么，一条水平线代表一段连续的音频，垂直线代表一个瞬间的白噪声。如下图，图中的每一个点都代表特定时间点的频率强度，即为选定的“锚点”。图中的红色标记代表该时间点声音强度的峰值。

由开发者的材料看，他们大约是每秒提取 3 个锚点。然后，他们会把收集到的信息建成一个哈希表（Hash table），其键值就是频率。当 Shazam 收到一段音频，以下图为例，它会以第一个键值，即 823.44 Hz 搜索匹配项。

哈希表可能如图所示：

他们不只是标注频谱的一个点，而是一个点对，每个峰值加了第二次锚点，即一个散列的两个点的频率，这样就能减少搜索时因噪声干扰而可能产生的误差。

接下来就是检索的过程了，如果一段音频多次匹配，就会自动坚持这些频率所对应的时间是否与哈希表一致。当两个音频近似时，这些锚点连成一条连线，如果能检测出这条线，就说明音频匹配。

据悉，类似的技术最早由一家名为 Melodis 的公司推出，它推出的一款应用—— Midomi ，与 Shazam 相似。当然，也不乏基于电脑的应用，比如前不久测试的百度哼唱，是首次在国内推出的哼唱搜索引擎。
搜索引擎发展的趋势就是越来越简单，越来越以人为本。在搜索引擎刚起步的阶段你能想到我们可以在移动设备上语音搜索 Google Map 吗？现在，我们可以想象了，有一天我们摆脱了键盘、鼠标，我们用感官，用意念，遨游于整个互联网。

Via Gizmodo

来自：http://www.ifanr.com/21133

转载于:https://www.cnblogs.com/xieyuan/p/3787329.html

Shazam 是如何听音辨曲的？相关推荐

shazam 音频指纹听歌识曲原理（附代码）
shazam 音频指纹听歌识曲原理如何用java来实现shazam? 几天以前我读了一篇论文 :How shazam works?(shazam的工作原理) 这让我有了自己写一个java版本的s ...
不止视觉，CMU研究员让机器人学会了听音辨物
2020-08-18 01:10:41 作者 | 蒋宝尚编辑 | 陈大鑫在机器人技术中,虽然我们已经在视觉和触觉方面取得了巨大的进步,但是对声音的研究一直稍有欠缺. 近日,来自卡内基梅隆大学的研究 ...
极度未知HyperX20周年盛惠—HyperX Cloud 2 飓风FPS耳机听音辨位
2022年9月20日-9月30日,国际电竞外设品牌极度未知HyperX宣布开启为期11天的庆典活动,以庆祝公司成立,及作为游戏和电竞外设领导品牌20周年.20年来,极度未知HyperX一直致力于驱动电 ...
android环绕耳机,完全不同的“听音辨位”体验——罗技G433 7.1环绕声游戏耳机使用体验...
完全不同的"听音辨位"体验--罗技G433 7.1环绕声游戏耳机使用体验 2020-02-08 10:00:00 186点赞 60收藏 20评论谈到本次体验的产品,不禁想起了20 ...
利用HRTF实现听音辨位
HRTF 简介上节课我们讲的"双耳效应"实际上就是空间中音源的声波从不同的方向传播到左右耳的路径不同,所以音量.音色.延迟在左右耳会产生不同的变化. 其实这些声波变化的过程就是我 ...
人工智能学会“听音辨声”
美国麻省理工学院的科研人员开发出一套人工智能系统,能够分辨出音乐中不同乐器发出的声音,并单独调音. 人们可以借助均衡器对歌曲旋律中的低音进行调节,但麻省理工学院计算机科学与人工智能实验室(Comput ...
“听音辨脸”的超能力，你想拥有吗？
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达论文:Speech2Face: Learning the Face Behind a Voice (C ...
atitit 音频项目系列功能表音乐 v3 t67.docx Atitit 音频项目系列功能表 1.音频音乐语言领域的功能表听歌识曲功能酷我功能。铃声功能。。音频切割（按
atitit 音频项目系列功能表音乐 v3 t67.docx Atitit 音频项目系列功能表音频音乐语言领域的功能表听歌识曲功能酷我功能. 铃声功能.. 音频切割(按照副歌部分 ...
atitit 音频项目系列功能表音乐 v3 t67.docx Atitit 音频项目系列功能表音频音乐语言领域的功能表听歌识曲功能酷我功能。铃声功能。。音频切割（按照副歌部
atitit 音频项目系列功能表音乐 v3 t67.docx Atitit 音频项目系列功能表音频音乐语言领域的功能表听歌识曲功能酷我功能. 铃声功能.. 音频切割(按照副歌部分 ...

Shazam 是如何听音辨曲的？

Shazam 是如何听音辨曲的？相关推荐

最新文章

热门文章