各种应用程序收听歌曲和识别歌曲的算法是什么？

接下来是一个不懂音乐的白人想法，该算法才刚刚起步. 其中有很多术语和价值观. 我主要是分享我的想法. 不要把它当回事.

一开始，我的想法很幼稚: 腾讯音乐将嗡嗡作响的音乐旋律直接扔到中，以匹配每首歌曲的旋律. 再想一想，我认为这种想法是不现实的，只需取出一个旋律并将其放入中以匹配每首歌曲的旋律，这是很多计算工作.

因此，我从统计学的角度考虑，并尝试在歌曲中找到特征: 振幅是在开始时选择的（无论如何，我不知道是不是这样说的，它是音量每秒），如果振幅有100种，则制作一个100维向量.

所以一首歌可以算作3、3、4、5、6、6，....，5、6、7、9. 每个矢量位置的大小代表相应幅度出现的次数. 这会将中的所有歌曲映射到相应的向量:

歌曲（1）3，4，5，6，6，6，....，5，6，0，8

歌曲（2）0,1,2,3,3,2，...，5,2,1,0

歌曲（3）1，3，4，5，1，0，....，1，1，0，1

.........

将哼唱的歌曲转换为相应的向量: 0,0,0,1,2,1，.....，3,5,6,7，然后余弦定理找到弦之间的余弦值向量和中的向量. 当余弦值为1时，两个夹角为零，这两个角度完全相同. 余弦值越接近1，则歌曲的相似度越高.

但是考虑到这一点，我认为在计算一个向量的振幅数量时可能会有很大的误差，因为相同数量的振幅并不意味着这两首歌是完全相同的.

这里我举一个例子: 如果现在操场上有5个人，他们的身高是: 1.6、1.6、1.7、1.7、1.8，他们将首先在A线，然后将他们重新排列. 两队的身高分布如下:

团队A: 1.7、1.6、1.8、1.6、1.7

B队: 1.6、1.7、1.8、1.7、1.6

如果按照上述方法计算两队的身高向量，那么我们将得到完全相同的向量，但是两列的顺序不同.

然后，我们更改统计维度，因为我认为这些歌曲是连贯的. 正是每秒钟和前一秒钟的幅度变化构成了我们听到的旋律（在这里我盲目地对其进行了编辑）），我将幅度变化称为波动（T）. 如果计算出波动（T），则相当于一首歌曲每秒的旋律变化. 返回队列示例:

团队A: -0.1、0.2，-0.2、0.1

团队B: 0.1、0.1，-0.1，-0.1

通过这种方式，我们可以过滤出振幅相同的那些歌曲. 其余的歌曲是具有相同波动数（T）的歌曲，但我想统计（T）的结果是最终匹配的歌曲数. 匹配的歌曲之间会有更多的特征，并且可能不会有非常相似的特征，只是波动的数量（T）才匹配. 如果我们哼着东风蒲: “谁在用琵琶演奏东风蒲”，其波动（T）假定为2、4、5、4、6、6，只有这些波动是连贯的. 歌曲的旋律，如果这些波动分散到歌曲的各个位置，即使最终的统计结果相同，旋律也肯定会不同，也就不会是同一首歌.

最后，我想到一个窍门，即在统计过程中限制波动率T的顺序. 在这里，我假设一个叫做复合波动率S的概念，并且复合波动率S（i）= {T（i），T（i + 1）}，因此“谁在用琵琶演奏东风突破”的浪T变成复合波S = {2,4}，{4,5}，{5、4}，{4、6}，{6、6}，因为每个波动T等于确定两秒的幅度变化，所以合成波动S等于确定4秒的幅度变化，即确定4秒的旋律变体. 因为每个复合起伏（S）都能确定四秒的旋律变化，所以如果两首歌曲的大多数复合起伏S相同，则相同的概率将非常高.

然后，我们开始根据复合涨落（S）映射中的每首歌曲. 假设总共有100个振幅，则波动（T）为100 * 2 = 200，并且复合波动S（i）= {T（i），T（i + 1）}，因此有200 * 200 = 40,000复合波动的类型（S）. 换句话说，我们希望将每首歌曲映射到40,000维向量.

所以一首歌可以算作3、3、4、5、6、6，....，5、6、7、9. 每个矢量位置的大小表示相应的复合波动（S）的出现次数. 这会将中的所有歌曲映射到相应的向量:

歌曲（1）3，4，5，6，6，6，....哼唱识曲，5，6，0，8

歌曲（2）0,1,2,3,3,2，...，5,2,1,0

歌曲（3）1，3，4，5哼唱识曲，1，0，....，1，1，0，1

通过这种方式，获得了哼唱的歌曲向量和中歌曲向量的余弦值，以获得对应的相似概率. 余弦值越接近1，则两首歌曲越相似.

最后的摘要:

1. 我听不懂音乐，也没有阅读相应的音乐识别文献. 我的答案仅受Google新闻分类方法的启发. 其中必须包含许多术语和特定价值. 您不必很认真. 我的重点是分享我的想法.

2. 腾讯音乐可以非常快速地匹配嗡嗡声. 如果我的想法可行，我想它可能不支持这种快速匹配，因此我的想法是添加一个更粗糙的模型，例如使用上面的波动率（T）模型缩小范围，并使用复合波动率（S）模型进行精确匹配.

3. 我仍然没有解决最关键的问题之一，因为每个人的发音和歌曲的恢复程度都不同，所以我面临一个识别问题. 我想到了两种解决方案: （1）通过有监督的机器学习，通过大量数据（与图像识别相同的原理）训练和优化模型，最后训练出可以高概率识别语音的模型； （2）类似于拼音输入法的识别原理对于嗡嗡声输入的复合波（S），采用动态规划算法找到最佳组合（即旋律）.

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/ruanjian/article-156834-1.html