微信摇一摇搜歌技术原理分析.pdfVIP

华北水利水电大学 微信摇一摇搜歌技术原理分析 姓名： 刘 勇 学号： 201215708 1 摘要：给出一首歌利用 cool edit 等 多轨录音和音频处理软件得出语谱图， 然后利 用傅里叶变换得到语音波形图，从中找到多个“音乐指纹” p ，然后匹配哈希表 匹配已知的音乐指纹，如果相同即为同一首歌；而经过版本改进之后的 Local Sensitive Hash 局部敏感哈希基于快速近邻搜索，抗噪性更强。 关键词：傅里叶变换；音乐指纹；哈希表；局部敏感哈希 1、提取音乐指纹 首先，一首 MP3 用 cool edit 之类的软件打开将是下图这样，以陈百强的《情 人》片段距离，以下波形图示 20 秒片段。 接下来对这个波形做短时傅里叶变换 (SFFT) ，可以得到下面这个类似乐谱的图， 叫做谱图 (spectrogram) ，纵坐标是频率，横坐标是时间。 亮的地方代表能量高。 每一首乐曲因为乐器、 音高不同， 所以它们谱图都不同。 哪怕是不同的人用同一 2 伴奏，甚至相同的人分开两次唱， 语谱图都是有细微差别的， 体现在亮的位置不 同上。 PS: 傅里叶变换是可逆的，也可以将语谱图转化为波形放出来听，这也是现代 频谱作曲流派的方法。 既然两首曲子亮的位置不同， 我们就可以根据亮点来区分两首歌一不一样。 如下 图找到谱图上若干个最亮的点，比如下图找到了点 1 ，点 2 ，点 3 。它们的音高 记作 y1,y2,y3, 点 1 和点 2 的横坐标距离记作 dx1, 点 2 和点 3 的横坐标距 离记作 dx2 。我们用向量 p =[y1,y2,y3,dx1,dx2] 作为这个片段的特征，我们 将 p 叫做音乐指纹 。如果两首歌的 p 相同，那么我们就认为这两首个一样啦！ 否则就不一样。 2、音乐指纹匹配哈希表 3 事实上为了稳定和抗噪，我们可能会对一首歌提取更多的指纹 p ，比如 100 个 录音环境经常会有噪音， 如果匹配中了 50 个以上，我们就认为是同一首歌。而 那些不一样的歌，基本上匹配数不会超过个位数。 这就是基本原理了，是不是很简单！ 当然另一个问题就是大数据量了， 酷狗的音乐库动辄上百万， 总不可能对用户录 制的片段一条一条去匹配吧？所以这里我用的不是逐条匹配，而是哈希表匹配。 总的说来就是把每个 p 映射成不同整数，比如 p =[24,8,46,13,29] 可以映射 成 。每个 p 对应着一首歌的某个位置，建库的时候把所有曲目的 指纹都插到这个巨大的哈希表中。如下所示。 那么加入我们想查找 对应的曲子，就可以一瞬间找到。就像查字 典一样，找到偏旁部首对应的页数一样。这样即使曲目再多也不怕了。 4 3、局部敏感哈希抗噪性更强 局部敏感哈希 LSH 在很多应用领域中，我们面对和需要处理的数据往往是海量并且具有很高的维 度，怎样快速地从海量的高维数据集合中找到与某个数据最相似 （距离最近）的 一个数据或多个数据成为了一个难点和问题。