So sánh hai phương pháp trích chọn đặc trưng âm thanh: đường bao phổ (MFCC) và cao độ pitch trong việc tìm kiếm âm nhạc theo nội dung
Phùng Thị Thu Hiền và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 33 - 38
SO SÁNH HAI PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ÂM THANH:
ĐƯỜNG BAO PHỔ (MFCC) VÀ CAO ĐỘ PITCH TRONG VIỆC
TÌM KIẾM ÂM NHẠC THEO NỘI DUNG
Phùng Thị Thu Hiền1*, Đoàn Xuân Ngọc2, Phùng Trung Nghĩa3
1Trường Đại học Kỹ thuật Công nghiệp - ĐH Thái Nguyên
2Cục thuế tỉnh Thái Nguyên
3Trường Đại học CNTT&TT - ĐH Thái Nguyên
TÓM TẮT
Trong cách tiếp cận truyền thống, các vector đặc trưng của tín hiệu âm thanh được xây dựng từ các
đặc trưng vật lý của âm thanh như độ to, độ cao, năng lượng, phổ tần số,… Có rất nhiều phương
pháp trích chọn đặc trưng âm thanh đã và đang được nghiên cứu để áp dụng vào bài toán tìm kiếm
âm nhạc theo nội dung. Tuy nhiên hai phương pháp phổ biến nhất và được đánh giá cao là phương
pháp sử dụng đường bao phổ (MFCC) và phương pháp sử dụng cao độ (F0).
Bài báo này nghiên cứu về hai phương pháp này đồng thời so sánh đánh giá hiệu quả của từng
phương pháp.
Từ khóa: Vector đặc trưng, Mel Cepstral, K-means, F0, pitch, DTW.
ĐẶT VẤN ĐỀ*
bao phổ (MFCC), cuối cùng là đưa ra một số
kết quả thực nghiệm để so sánh hiệu quả của
hai phương pháp.
Hiện nay, có rất nhiều nghiên cứu về vấn đề
trích chọn đặc trưng âm thanh trong bài toán
CƠ SỞ LÝ THUYẾT
Sử dụng đặc trưng cao độ
Cao độ Pitch
tìm kiếm âm nhạc theo nội dung.
S.Blackburn và D.DeRoure [4] đã sử dụng kỹ
thuật hiệu chỉnh cao độ (F0) để xác định giai
điệu chính của đoạn nhạc. Trong nghiên cứu
của mình, S.Blackburn và D.DeRoure đã so
sánh tính toán độ tương tự của bài hát bằng
kỹ thuật so khớp xâu. Trong khi đó, Mc Nab,
Smith, Witten, Henderson và Cunningham [5]
đã sử dụng phương thức tính toán giai điệu
bằng cách ước lượng cao độ Pitch để so sánh
giữa các bản phiên âm của mỗi bài hát.
Không khí đi qua thanh quản làm thanh quản
rung lên. Sự rung động này với một tỷ lệ nào
đó cũng được gọi là tần số cơ bản – f0 . Tần
số cơ bản phụ thuộc vào kích cỡ và áp lực của
thanh quản. Tần số cơ bản liên quan đến âm
thanh về cao độ và nó có thể được ước lượng
chính xác từ tín hiệu âm thanh.
Độ cao hay độ trầm bổng của âm thanh chính
là tần số sóng cơ học của âm thanh. Âm thanh
nào cũng phát ra ở một độ cao nhất định. Độ
cao của âm thanh phụ thuộc vào tần số dao
động. Đối với tiếng nói, tần số dao động của
dây thanh quy định độ cao giọng nói của con
người. Mỗi người có một cao độ giọng nói
khác nhau, độ cao của nữ giới thường cao hơn
nam giới và độ cao của trẻ em thường cao
hơn của người lớn.
Tuy nhiên, theo một nghiên cứu của Beth
Logan [3] thì cấu trúc âm thanh của âm nhạc
là quan trọng. Vì vậy cần phải có một hệ
thống nhận biết độ tương tự âm thanh theo
cách gần giống như hệ thống nghe của con
người, và hệ thống thính giác của con người
dễ dàng thu và nhận dạng các nhóm âm thanh
hơn là từng nốt nhạc hay âm riêng lẻ.
Bài báo này trình bày phương pháp tìm kiếm
âm nhạc theo nội dung sử dụng theo hai đặc
trưng, thứ nhất là sử dụng đặc trưng cao độ
(Pitch) và thứ hai là sử dụng đặc trưng đường
Cao độ Pitch do đó là đại lượng tỷ lệ nghịch
với tần số cơ bản F0.
Pitch là thuộc tính cơ bản của tiếng nói. Tai
người nhạy cảm với sự thay đổi tần số cơ bản
*Tel: 0986060545; Email: pthientng@gmail.com
33
Phùng Thị Thu Hiền và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 33 - 38
hơn là các tham số khác của tín hiệu tiếng
nói. Ước lượng pitch khó do sự thay đổi của
sóng âm thanh. Sóng âm thanh thay đổi nhỏ
giữa các chu kỳ, thời điểm lựa chọn để đo sẽ
ảnh hưởng tới chu kỳ cao độ. Ước lượng cao
độ thiếu chính xác do sự xuất hiện của sóng
hài hoặc hài bậc ba của cao độ tần số.
cực đại khác ở mức trễ 162, cho thấy một sự
kết hợp tốt khi dịch chuyển là hai lần chu kỳ
cao độ. Vì vậy, để ước lượng cao độ pitch,
cửa sổ âm thanh nên chứa ít nhất hai chu kỳ
cao độ (N >2/Fo).
Ước lượng Cepstral Pitch
Khi một tín hiệu tuần hoàn với tần số cơ bản
Fo chứa nhiều sóng hài sát nhau thì đoạn phổ
tương ứng thể hiện các đường gợn sóng như
cấu trúc hài của nó. Cepstrum của tín hiệu này
sẽ thể hiện bằng một chóp cao tại tần số 1/F0.
Có rất nhiều thuật toán và phương thức ước
lượng cao độ. Các thuật toán ước lượng pitch
cố gắng để định vị chu kỳ trong miền thời
gian của tín hiệu tiếng nói hoặc miền tần số
của tín hiệu âm thanh. Các cách tính Pitch hầu
hết dựa vào phương pháp tự tương quan hoặc
biến thể của nó.
Cepstrum được định nghĩa là một biến đổi
Fourier rời rạc ngược về cường độ với tín
hiệu vào s(n).
Ước lượng Pitch bằng phương pháp tự
tương quan
Cepstrum được biểu diễn là:
Cepstrum(d) = IFFT(log10 | FFT(s(n)) |)
[2]
Ước lượng Pitch thường sử dụng phương
pháp tự tương quan. Ý nghĩa của sự tương
quan là đo độ tương tự giữa 2 tín hiệu, và sự
tự tương quan đo độ tương tự giữa chính nó
và biến đổi theo thời gian của chính nó.
Phương thức tự tương quan trong một khoảng
thời gian ngắn của một đoạn s(m), của một tín
hiệu rời rạc theo thời gian s(n) có thể được
biểu diễn là:
d là miền tần số của tín hiệu cepstrum. Các hệ
số của chỉ số trên miền thời gian là các thành
phần tuần hoàn của tín hiệu gốc. Thông tin
cao độ được trích ra bởi vì một tín hiệu âm
thanh không chỉ chứa các thành phần phổ có
tần số cơ bản mà còn chứa các hài. Cepstrum
thu được có cấu trúc lặp lại theo cường độ
phổ. Miền tần số thấp của cepstrum thể hiện
dạng vocal tract của hệ thống tiếng nói con
người. Tần số cao của cepstrum mô tả thông
tin kích thích trong tiếng nói – pitch.
N −1−k
r(k) =
s(m)s(m + k)
∑
m=0
[1]
k là độ trễ và N là độ dài đoạn, s(m) = 0 ngoài
miền (0 ≤ m ≤N −1)
Hình 2 thể hiện cường độ phổ và cepstrum
tương ứng với đoạn tiếng nói trong hình 1.
Giá trị tại Cepstrum(0), được bỏ đi để thu
được giải động tốt hơn. Đỉnh nhô lên tại tần
số 82 biểu thị chu kỳ cao độ. Tần số này
tương ứng với tỷ lệ mẫu của tín hiệu gốc,
8000Hz. Vì vậy tần số 82 thể hiện tần số cao
độ 8000/82 = 97.2 Hz.
.
Cấu trúc quan trọng trong miền tần số
frequency thấp, từ 1 tới 16 miêu tả thông tin
vocal tract.
Hình 1: Dạng sóng và tự tương quan trên miền
thời gian của một đoạn tiếng nói ngắn
Với âm hữu thanh, phép phân tích Cepstral
của một đoạn tiếng nói ngắn sẽ tạo ra một
đỉnh của chu kỳ cao độ, nhưng đối với những
âm vô thanh thì không. Phép phân tích
Cepstral có thể được sử dụng cho đoạn âm
thanh là hữu thanh hay vô thanh để xác định
chu kỳ cao độ, 1/F0 nếu là đoạn hữu thanh.
Hình 1 thể hiện một đoạn âm thanh ngắn và
tính tự tương quan của đoạn đó. Chu kỳ cao
độ được theo dõi trên khoảng 80 mẫu. Đỉnh
nhô lên trong sóng tự tương quan biểu thị
điều này. Giá trị cực đại để xuất hiện quá
trình tự tương quan là ở mức trễ 0. Một giá trị
34
Phùng Thị Thu Hiền và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 33 - 38
Mô phỏng lại quá trình tạo âm của cơ quan
phát âm.
Cường độ log phổ của hai tín hiệu s1 và s2 là
sự tổ hợp tuyến tính của cường độ phổ log
như được thể hiện trong biểu thức 3:
log10(|DFT[s1*s2](k)|) = log10(|s1(k)|) +log10(|s2(k)|) [3]
Giả sử rằng S1 và S2 là những phần tách rời
của phổ và quan sát cường độ log phổ của 2
tín hiệu chập S1 và S2 ở trên, DFT có thể
được tính toán để thu được sự mô tả các tần
số riêng biệt theo log10(|s1(k)|) và
log10(|s2(k)|). Tín hiệu chuyển đổi được miêu
tả
trong
miền
tần
số
vì
vậy
Hình 2: Cường độ Log của DFT và tần số
Cepstrum của đoạn tiếng nói trong hình 1
log10(|DFT[s1*s2](k)|) được chuyển đổi sang
miền tần số dubbed, quá trình chuyển đổi này
được gọi là phân tích cepstral và phổ thu
được được gọi là cepstrum.
Sử dụng đặc trưng đường bao phổ MFCC
Tần số cảm thụ có nghĩa
Tai của con người nhận biết được những âm
thanh có tần số thấp (<1kHz) tốt hơn những
âm thanh có tần số cao. Vì vậy điều quan
trọng là cần làm nổi bật lên những âm thanh
có tần số thấp hơn là tần số cao.
Xử lý Cepstral theo thang đo tần số Mel
Các đặc trưng của Mel Cepstral rất thành
công trong các ứng dụng xử lý tiếng nói và
phục hồi âm nhạc với độ chính xác cao. Các
đặc trưng này tạo sự uyển chuyển của cường
độ phổ của những đoạn tín hiệu âm thanh, vì
vậy nó là công cụ mạnh khi có những thay
đổi nhỏ trong giai điệu hoặc kiểu phối nhạc.
MFCC có nhiều đặc trưng vượt trội khi sử
dụng để nhận dạng tiếng nói theo thời gian.
Mỗi bước của quá trình tạo các đặc trưng
MFCC được thực hiện bằng hệ thống cảm
thụ âm thanh của con người. Tức là những gì
không liên quan có thể bỏ đi khỏi cơ sở dữ
liệu gốc dựa trên quá trình cảm thụ âm thanh
dạng sóng của con người, và tiếp theo là yêu
cầu giảm kích thước dữ liệu và tăng tốc độ
tính toán.
Dải thông của tín hiệu tiếng nói là khoảng
10kHz. Không có thành phần tần số nào tồn
tại dưới 50kHz. Tần số tiếng nói là dưới
3kHz, cao hơn các thành phần tần số chính
liên quan đến người nói, âm nhạc, dụng cụ âm
thanh hoặc hiệu ứng. Formants cũng là thông
tin quan trọng. Tần số formants của âm hữu
thanh được tìm thấy dưới 5kHz trong khi của
âm vô thanh biến mất.
Hình 3: Cường độ âm hữu thanh và vô thanh
A: Cường độ của tín hiệu âm vô thanh
B: Cường độ của tín hiệu âm hữu thanh
Phép phân tích Cepstral
Quá trình lọc theo thang Mel Cepstral:
Theo Beth Logan, MFCC gồm 5 bước:
1. Chia tín hiệu thành các khung
2. Với mỗi khung, ta thu được biên độ phổ.
3. Lấy log của biên độ
Cepstral là một phương pháp để trích chọn
đặc trưng âm thanh. Trích chọn tham số đặc
trưng âm thanh dựa trên hai cơ chế:
4. Chuyển đổi sang thang Mel
Mô phỏng lại quá trình cảm nhận âm thanh
của tai người.
5. Thực hiện biến đổi Cosine rời rạc.
35
Phùng Thị Thu Hiền và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 33 - 38
Một phương pháp để chuyển đổi sang thang
mel là sử dụng băng lọc. Khoảng cách của
băng lọc được định nghĩa bởi một hằng số tần
số mel theo thời gian. Băng lọc này được áp
dụng trong miền tần số, nó có thể xem như
các điểm thu được của bộ lọc chính. Với các
khung nhỏ tốt nhất là sử dụng các bộ lọc dạng
tam giác hoặc thậm chí hình chữ nhật vì độ
phân giải là quá thấp trong miền tần số thấp.
Hình 4: Quá trình tạo các đặc tính MFCC
Quan sát quá trình trên ta thấy, âm thanh
được chia thành những khung có độ dài cố
định. Mục đích là để lấy mẫu những đoạn tín
hiệu nhỏ (theo lý thuyết là ổn định). Hàm cửa
sổ bỏ đi những hiệu ứng phụ và vector đặc
trưng cepstral được thực hiện trên mỗi khung
cửa sổ. Biến đổi Fourier rời rạc của mỗi
khung được tính toán và lấy logarithm biên
độ phổ. Thông tin về pha bị bỏ qua do biên độ
phổ là quan trọng hơn pha. Thực hiện lấy
logarithm biên độ phổ do âm lượng của tín
hiệu là xấp xỉ logarith. Tiếp theo biến đổi phổ
theo thang Mel. Từ kết quả này, trong vector
Mel – spectral của các thành phần tương quan
cao, bước cuối cùng là thực hiện biến đổi
cosine rời rạc để tổng hợp vector phổ Mel để
tương quan lại các thành phần này
Hình 5: Băng lọc khoảng cách theo tần số Mel
Mỗi bộ lọc trong băng lọc được nhân với phổ
tín hiệu vì vậy chỉ có một giá trị đơn của
cường độ trên bộ lọc được trả lại. Điều này có
thể đạt được qua các tính toán của ma trận
đơn. Kết quả là tổng của biên độ trong dải lọc
và vì vậy làm giảm độ chính xác tới mức tai
của con người.
Độ lệch tần số Mel
Độ lệch tần số Mel làm nhẵn phổ và làm nổi
lên các tần số cảm thụ có nghĩa. Biến đổi
Fourier lên tín hiệu qua bộ lọc thông dải để
làm đơn giản phổ mà không làm mất dữ liệu.
Điều này được thực hiện bằng cách tập hợp
các thành phần phổ thành một dải tần số. Phổ
được làm đơn giản hóa do sử dụng một giàn
bộ lọc để tách phổ thành các kênh. Các bộ lọc
được đặt cách đều nhau trên thang Mel và lấy
logarit trên thang tần số, các kênh có tần số
thấp là không gian tuyến tính trong khi các
kênh có tần số cao là không gian logarit.
Hình 6: Phổ sau khi lọc theo thang Mel
Quá trình độ lệch tần số mel được thực hiện
theo ba bước sau:
Tai người không cảm nhận sự thay đổi tần số
của tiếng nói tuyến tính mà theo thang mel.
Thang tần số Mel tuyến tính ở tần số dưới
1kHz và logarit ở tần số cao hơn 1kHz. Ta
chọn tần số 1kHz, 40 dB trên ngưỡng nghe
1000 Mel. Do đó công thức gần đúng biểu
diễn quan hệ tần số ở thang mel và thang
tuyến tính như sau:
1. Cố định vùng giá trị dưới mỗi bộ lọc và
đôi khi đưa thang về 1. Đặt M = số băng lọc
yêu cầu
2. Phân bố đều trên thang tần số Mel
ω
i's
trên thang
3. Chuyển đổi từ Hz sang
tuyến tính. Mối quan hệ giữa mel và frq được
cho bởi công thức:
(5)
(4)
m=ln(1+f/700)*1000/ln(1+1000/700)
36
Phùng Thị Thu Hiền và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 33 - 38
KẾT QUẢ THỰC NGHIỆM
Sử dụng F0
Giống như Beth Logan [8], phân lớp bằng
cách phân hệ số cepstral thành 16 cụm theo
thuật toán K-means chuẩn. Sử dụng khoảng
cách Euclidean để tính toán độ tương tự.
Chuẩn bị dữ liệu
Dữ liệu bao gồm 20 bài hát thiếu nhi nổi tiếng
childSong4public/QBSH-corpus/.
Kết quả thực nghiệm và đánh giá
Trong cả 2 chương trình thử nghiệm, kết quả
nhận dạng đúng cuối cùng sau 20 lần thử
nghiệm đều là 100%. Kết quả này cao hơn kết
quả đã công bố trong [8] và [4] dù dùng cùng
thuật toán. Lý do có thể do chương trình
demo mới thử nghiệm trên bộ cơ sở dữ liệu
rất nhỏ. Hơn nữa độ dài âm thanh đầu vào
(trích 1 đoạn từ file âm thanh cần tìm kiếm)
đủ lớn (so với âm thanh tìm kiếm) trong
chương trình thử nghiệm 1, độ dài âm thanh
đầu vào và âm thanh cần tìm kiếm đều là cả
bài hát trong chương trình thử nghiệm 2. Tỷ
lệ nhận dạng sẽ giảm xuống khi dùng cơ sở
dữ liệu lớn hơn (đặc biệt khi trong cơ sở dữ
liệu có các bài hát có những phần tương tự
nhau), tỷ lệ nhận dạng và tìm kiếm đúng cũng
sẽ giảm xuống khi độ dài mẫu âm thanh đầu
vào là nhỏ.
Trong các cấu trúc file âm thanh thì MIDI là
định dạng file đơn giản, kích cỡ nhỏ gọn
nhưng vẫn biểu diễn được giai điệu âm
nhạc.Trong bước huấn luyện, chương trình sử
dụng 20 bản nhạc định dạng MIDI. Khi tìm
kiếm chương trình thử nghiệm trên 20 file âm
thanh PCM Wave tần số lấy mẫu 8 KHz, mã
hóa 8 bít / mẫu, thu từ các điệu ngân nga
không lời (humming) hoặc các đoạn hát
không nhạc (singing) với giai điệu tương ứng
với 45 bản nhạc MIDI đã huấn luyện.
Các tham số thực nghiệm
Cao độ Pitch được tính theo phương pháp tự
tương quan ACF (AutoCorrelation Function)
với các tham số: kích cỡ khung là 256 ms,
không chồng lấp. Sau khi tính Pitch bằng hàm
ACF, pitch được làm trơn bằng lọc trung vị.
Phương pháp phân lớp sử dụng thuật toán thời
gian động DTW tiến hành so sánh chuỗi Pitch
đầu vào cần tìm kiếm tính từ file Wave với lần
lượt các chuỗi Pitch của các file MIDI trong cơ
sở dữ liệu. Thuật toán thời gian động cho phép
so sánh 2 chuỗi Pitch có độ dài khác nhau với
sai số nhỏ nhất. Độ tương tự của 2 chuỗi pitch
sau đó được tính toán bằng khoảng cách Euclid
để tìm ra chuỗi phù hợp nhất.
Về mặt thời gian, chương trình 1 thực hiện
huấn luyện và sau đó tìm kiếm hết ~ 4 s với
một bài hát, chương trình 2 thực hiện tìm
kiếm cho mỗi file Wave trong khoảng 0.2 s
với điều kiện đã huấn luyện trước.
Sử dụng MFCC
Chuẩn bị dữ liệu
Vẫn sử dụng dữ liệu trên nhưng được lưu ở
định dạng PCM wave, tần số lấy mẫu 44
KHz, mã hóa 16 bit trên một mẫu. Mỗi bài
hát được trích ra một đoạn ngắn < 5 s sử dụng
làm mẫu tìm kiếm.
Hình 7: Kết quả chạy chương trình
Các tham số thực nghiệm
Với thử nghiệm trên cả hai phương pháp đều
cho kết quả tốt. Tuy nhiên, phương pháp
MFCC tốt hơn khi dữ liệu được trích ra từ
chính bài hát của tác giả. Còn phương pháp
cao độ pitch có thể nhận diện được khi đoạn
dữ liệu tìm kiếm có thể là một tiếng sáo, tiếng
nhạc hoặc giai điệu của bài hát.
Đặc trưng MFCC được cài đặt với các tham
số sau : Kích cỡ khung là 512 ms, không sử
dụng khung chồng lấp, số bộ lọc trong dãy
băng lọc Mel là 20, số hệ số Ceptral là 12,
không sử dụng các hệ số đạo hàm Delta, kết
hợp các hệ số MFCC với 1 hệ số năng lượng.
37
Phùng Thị Thu Hiền và Đtg
Tạp chí KHOA HỌC & CÔNG NGHỆ
112(12)/2: 33 - 38
nội dung”, Luận văn thạc sỹ Công nghệ thông tin,
Đại học Thái Nguyên, 12/2009.
Do đó, với các ứng dụng yêu cầu độ chính xác
cao mà dữ liệu nhỏ hơn ta có thể áp dụng
phương pháp MFCC rất tốt còn trong trường
hợp khi bộ dữ liệu lớn, mà đoạn dữ liệu tìm
kiếm có thể chỉ là một đoạn là giai điệu của bài
hát ta có thể áp dụng phương pháp cao độ Pitch.
[2]. Phùng Thị Thu Hiền, Thái Quang Vinh,
Phùng Trung Nghĩa, Lê Tuấn Anh (2009), “Tìm
kiếm âm nhạc theo nội dung sử dụng đặc trưng
tần số cơ bản F0 và giải thuật thời gian động
DTW”, Tạp chí Khoa học & Công nghệ ISSN,
1859 – 2171, T55 – 59.
KẾT LUẬN
[3]. Beth Logan and Ariel Salomon (2002), “A
Music Similarity Function Based on Signal
Analysis”, Cambridge Research Laboratory.
[4]. S.Blackburn and D. De Roure (1998), “A tool
for content based navigation of music”, in ACM
Multimedia.
[5]. R. Mc Nab, L. Smith, I. Witten, C.Henderson,
and S.Cunningham (1996), “Towards the digital
music library: Tune retrieval from acoustic input,”
in Digital Libraries, pp.11-18
Để kết quả thực nghiệm chính xác hơn, cần
xây dựng một cơ sở dữ liệu âm nhạc đủ lớn
để thử nghiệm. Từ đó sẽ đánh giá được độ
chính xác, hiệu quả của các phương pháp tìm
kiếm và có thể đề xuất các phương pháp cải
tiến thao tác trích đặc trưng và phân lớp của
hệ thống tìm kiếm.
Hướng nghiên cứu tiếp theo sẽ là tìm hiểu sâu
hơn về các phương pháp phân lớp dữ liệu như
mạng Neural, giải thuật di truyền GA, mô
hình Markov ẩn HMM,…
[6]. Beth Logan and Stephen Chu (2000), “Music
Summarization Using Key Phrases”, Cambridge
Research Laboratories.
TÀI LIỆU THAM KHẢO
[7]. J.T. Foote (1997), “Content-based retrieval
of Music and Audio,” in SPIE, p.p 138- 147
[1]. Phùng Thị Thu Hiền, “Trích chọn đặc trưng
âm thanh trong bài toán tìm kiếm âm nhạc theo
SUMMARY
COMPARING TWO METHOD: SPECTRAL ENVELOPE FEATURE (MFCC)
AND PITCH IN CONTEND – BASED MUSIC RETRIEVAL
Phung Thi Thu Hien1*, Doan Xuan Ngoc2, Phung Trung Nghia3
1College of Technology – TNU
2Department of Tax – Thai Nguyen province
3College of Information Communication and Technology
In state of the art approaches, feature vectors of music signal are built based on their physical
characteristics as volume, energy, and spectrum. There are many methods to extract feature in
contend – based music retrieval. Spectral Envelope Feature and Pitch method are Two popular
methods. This paper presens and compares these methods.
Key words: Feature Vector, Mel Cepstral, K-means, F0, pitch, DTW.
Phản biện khoa học: TS. Vũ Việt Vũ – Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên
*
Tel: 0986060545; Email: pthientng@gmail.com
38
6 trang
11900
Bạn đang xem tài liệu "So sánh hai phương pháp trích chọn đặc trưng âm thanh: đường bao phổ (MFCC) và cao độ pitch trong việc tìm kiếm âm nhạc theo nội dung", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- so_sanh_hai_phuong_phap_trich_chon_dac_trung_am_thanh_duong.pdf
