聲紋特征在音樂識別方法中的研究與應用

錢甜

摘 要：主要對聲紋特征在音樂識別方法中的應用進行了研究，對音樂語音信號采用聲紋特征提取方法完成分析和識別過程。在完成原始音頻數據處理的基礎上，通過信號重組和特征分解進一步處理提取出的音樂語音數據，然后將音樂語音信號通過經驗模態分解方法的使用完成時頻轉換過程，再對語音信號經過降噪分離實現信息提純和特征分解，將處理后的語音信號的聲紋特征提取出來，并以提取結果為依據完成音樂的識別過程。仿真實驗結果表明本文方法顯著提高了識別過程的分辨力和準確性，具有一定的可行性。

關鍵詞： 聲紋特征; 音樂信號識別方法; 實現路徑

中圖分類號： G 642

文獻標志碼： A

Abstract： This paper mainly studies the application of voiceprint features in music recognition methods， and uses voiceprint feature extraction method to complete the analysis and recognition process of music speech signals based on the completion of original audio data processing， through signal recombination and features. It decomposes and processes the extracted music voice data， and then completes the time-frequency conversion process by using the empirical voice decomposition method， andperforms noise purification and feature decomposition on the voice signal through noise reduction， and processes the processed voice signal. The voiceprint feature is extracted， and the music recognition process is completed based on the extraction result. The simulation results show that the proposed method significantly improves the resolution and accuracy of the recognition process and has certain feasibility.

Key words： voiceprint feature; music signal recognition method; implementation path

0 引言

快速發展的互聯網和計算機多媒體技術得以在各領域普遍應用，不斷發展和完善的互聯網和數字音頻技術為傳播及獲取音樂拓寬了途徑，促使網絡上的音樂數量不斷增長，隨著使用網絡音樂應用的用戶數量不斷增加，對音樂信息需求也呈多樣化發展。因此如何有效管理海量音樂數據已成為目前研究的重點，音樂信息檢索在此背景下逐漸發展起來，管理音樂數據的基礎和關鍵在于音樂信息檢索，即將各種不同信息從音樂中有效識別和提取出來，

目前的研究方向主要集中在對音樂流派、樂器分類等進行有效的識別分類上，研究中國傳統樂器具有較高的研究價值，目前在音樂信息檢索領域中，音樂識別方法中的識別分類系統大多需先對音樂特征進行人工提取，在此基礎上通過分類器進行訓練建模后，以該模型為依據完成對音樂樣本的識別分類過程。但由于識別分類任務種類會直接影響所需音樂特征，極大的增加了人工提取音樂特征的難度，導致人工提取音樂特征已經難以滿足音樂數據的檢索和管理需求。

1 需求分析

為使音樂的鑒賞水平和制作質量得以有效提高，在鑒賞和制作音樂的過程中，準確的圖譜分析是處理音樂發音信號的重要環節，在此基礎上實現音樂的準確識別。快速發展的計算機信息處理技術促使數字信號處理方法不斷完善，在音樂識別中結合應用數字信號處理及語音信號分析等方法有效彌補了人工提取音樂特征的不足，表現出了較佳的性能，需在完成音樂發音信號的聲樂圖譜特征提取的基礎上，完成音樂圖譜的分析和繪制（通過使用聲紋特征分析方法），然后對音樂信號的特征進行分解（以圖譜分析結果為依據）同時完成自適應分離過程，從而有效提高識別音樂的準確性和音樂鑒賞能力。隨著聲紋特征提取方法的發展和完善，為研究音樂語音信號的領域（包括優化發音質量及提高音樂鑒賞水平等）提供了有效支撐，在高效的音樂識別過程表現出了較大的優勢。采用LORFA 譜、高階譜等特征提取方法是傳統提取音樂信號特征的主要方法，并在音樂識別過程中有效融合盲源濾波及信號分離（自適應）方法，雖已具備一定的識別水平，但已經難以滿足識別合成成分不斷增多的音樂信號對準確性的需求[1]。本文在分析和識別音樂語音信號上采用了基于聲紋特征提取的方法，完成原始音頻數據初步處理和提取后，重組音樂語音信號數據，在此基礎上進行特征分解和降噪分離（采用自適應濾波方法），實現信息提純和特征分解過程，最后將處理后的信號聲紋特征提取出來，據此完成音樂識別。

2 原始音頻數據處理

原始音頻數據處理流程，如圖1所示。

3 音樂發音信號采集及預處理

3.1 信號建模

針對音樂發音信號本文通過信號處理方法的使用完成提取特征及識別信息的過程，為實現識別過程的可視化構建，需先完成音樂發音信號模型的構建，在此基礎上對發音的聲紋圖譜進行提取，語音識別和圖譜對比則采用MFCC（梅爾頻率倒譜系數）感知方法完成。對音樂發音特征進行分解時（包括時頻分解和聲紋特征分解）則通過使用雙層濾波檢測方法完成，本文所構建的聲紋特征提取的總體架構（包含采集音樂信號[2]），如圖2所示。

以 M 為信號頻率點數根據時間間隔 n完成特征采樣及聲紋特征（指對信號輸出頻譜端）的提取，最終實現音樂識別過程。

4 仿真實驗與結果分析

為了檢測本文基于聲紋特征提取的音樂識別方法的可行性，在采用 Matlab中完成了仿真實驗設計，仿真參量設定為：采集音樂信號樣本的頻率為 12 kHz，小波分解的尺度系數為 0.12，初始采樣頻率（由f0 表示，針對載波頻率為 25 kHz的聲紋特征）為1.5 Hz，聲頻帶分布帶寬為 15 ms，據此獲取的原始信號建模結果見圖4 ，測試樣本為圖 4 的音樂語音信號，通過降噪分離完成信息提純和特征分解過程，所獲取的聲紋特征提取結果能準確反映出音樂相關信息（包括聲頻帶和聲調等），實現音樂的準確辨識，本文方法音樂識別效果同傳統模糊匹配濾波檢測方法間的對比結果，如圖5所示。

相比傳統方法本文方法具備更高的音樂識別準確度及抗干擾能力，為提高音樂語音識別能力提供參考[9]。

5 總結

隨著音樂信息檢索重要性的日益凸顯，有效音樂識別方法的構建逐漸成為研究重點之一，針對收集到的音樂發音信號將其聲樂圖譜特征提取出來，根據特征分析結果（運用聲紋特征分析法）完成音樂圖譜的繪制，在此基礎上完成音樂信號的自適應分離和識別過程，欣賞和評價音樂水平的提高需以音樂識別為基礎，為使識別和分辨音樂發音的能力得以有效提高，進而提高識別音樂能力，本文采用聲紋特征提取方法完成分析和識別過程，以從經提純處理后的語音信號提取出的聲紋特征結果為依據完成音樂識別過程。仿真實驗結果表明使用基于聲紋特征的識別方法有效提升了提取語音特征的準確性及降噪能力，顯著提高了音樂識別及分辨能力，具有較高的實際應用價值。

參考文獻

[1]

陳雯雯，王亞林，周杰. 三維統計信道中的多普勒效應及其信號分析[J]. 計算機科學， 2017（3）：84-88.

[2] 周婧范凌云.基于最小二乘支持向量機的電子音樂識別研究[J].現代電子技術，2018（9）：109-112.

[3] 李戰明，尚豐.一種基于語音端點檢測的維納濾波語音增強算法[J]. 電子設計工程，2016（2）：42-45.

[4] Huiyan Hao. Multi component LFM signal detection and parameter estimation based on EEMD-FRFT[J] . Optik -?International Journal for Light and Elect.， 2016 （23）：6093-6096.

[5] You He， Cai-sheng Zhang， Xiao-ming Tang， et al. Coherent integration loss due to pulses loss and phase modulation in passive bistatic radar[J]. Digital Signal Processing， 2013 （4）：1265-1276.

[6] Jian Dai，Li-Juan Xu， Guo-Dong Han， et al. Down-regulation of long non-coding RNA ITGB2-AS1 inhibits osteosarcoma proliferation and metastasis by repressing Wnt/β-catenin signalling and predicts favourable prognosis[J]. Artificial Cells， Nanomedicine， and Biotechnology， 2018（S3）：783-790.

[7] 馬婷婷，佟首峰，南航，等. 信號光偏振特性對空間相干探測混頻效率的影響[J]. 激光與光電子學進展， 2017（2）：110-116.

[8] 田旺蘭.語音/音樂的深度置信網絡高準確度識別方法[J].吉首大學學報（自然科學版），2017（1）：36-39.

[9] 姚成玉，陳東寧，王斌. 基于T-S故障樹和貝葉斯網絡的模糊可靠性評估方法[J]. 機械工程學報， 2018（2）：193-201.

（收稿日期： 2019.08.29）