در این مقاله تجزیه و تحلیل موسیقی با استفاده از تکنیک های مختلف تئوری DSP و موسیقی شامل ریتم ، هارمونی و ویژگی های طیفی ارائه می شود. واکنش عاطفی به موسیقی برای هر شخص متفاوت است ، بنابراین تجزیه و تحلیل آن احتمالاً نتایج کاملی به همراه نخواهد داشت. روش مورد استفاده تصمیم گیری در مورد آهنگ های پایه خاص است که بسیار از نزدیک روحیه خاصی را تجسم می کنند و آهنگ ها را با این دسته های خاص مطابقت می دهند. این روشها می توانند در تعیین ژانر موسیقی به طور خودکار برای مرتب سازی مجموعه های بزرگ موسیقی دیجیتال مانند iTunes یا Spotify مفید باشند. در این مقاله روشهای مهندسی مورد استفاده برای ایجاد این الگوریتم های تحلیل و بررسی برخی از نتایج آنها بحث خواهد شد.

معرفی

طبقه بندی موسیقی می تواند یک کار دشوار باشد زیرا واکنش عاطفی بین شنوندگان می تواند برای یک آهنگ معین نسبتاً متفاوت باشد. بخش اعظم سازمان فعلی برای ترانه ها بر اساس ژانر کلی یک هنرمند است ، نه بر روی احساس ایجاد شده توسط یک آهنگ. تلاش برای طبقه بندی موسیقی از طریق تکنیک های مهندسی چالش برانگیز است ، اما به طور بالقوه می تواند به به حداقل رساندن این اختلافات بین شنوندگان در فرآیند مرتب سازی کمک کند. شناسایی حال و هوای یک قطعه به طور خودکار برای مرتب سازی مجموعه های بزرگ موسیقی دیجیتال مانند Itunes یا Spotify بسیار مفید خواهد بود. خلق و خوی یک قطعه همچنین می تواند بر روی الگوریتم ها برای شناسایی آهنگ های مشابه برای خدمات رادیویی آنلاین مانند پاندورا بهبود یابد ، و این شباهت ها را بر روحیه آهنگ به جای هنرمندان مشابه پایه گذاری می کند. شکستن آهنگ به مؤلفه های موسیقی قابل اندازه گیری مانند ریتم ، هارمونی و Timbre می تواند تطبیق آهنگ ها را با دسته های خاص بر اساس داده های مورد انتظار برای هر نوع خلق و خوی فراهم کند.

طبقه بندی

در بیشتر روشهای موجود در طبقه بندی خلق و خوی موسیقی ، حالات آهنگ ها مطابق الگوی سنتی روحیه روانشناس رابرت تایر تقسیم می شوند. این مدل آهنگ ها را در امتداد انرژی و استرس تقسیم می کند ، به ترتیب از شاد و آرام تا آرام تا پرانرژی (Bhat et al 359). هشت دسته ایجاد شده توسط مدل Thayer شامل افراط و تفریط دو خط و همچنین هر یک از تقاطع های احتمالی خطوط (به عنوان مثال خوشحال کننده یا پرشور یا غم انگیز) است. این مدل را می توان در شکل 1 مشاهده کرد.

مدل خلق و خوی Thayer. منبع: مشتق شده از بهار (2014).

Tempos سریعتر با آهنگ های پر انرژی و ترانه های کمتری با انرژی کمتری همراه است. بلندی یا شدت یک آهنگ می تواند با عصبانیت در ارتباط باشد ، در حالی که آهنگ های نرم تر نشان دهنده حساسیت ، غم و اندوه یا ترس هستند (Bhat et al 360). سطح کلی بالاتر می تواند نشانگر شادی ، بی دقتی و روحیه سبک در یک آهنگ باشد ، در حالی که زمین پایین حاکی از لحن تیره تر ، غم انگیز و جدی است. Timbre ، مؤلفه تونال قطعه ای که توسط Harmonics ایجاد شده است ، یک شاخص کنجکاو از خلق و خو است. به گفته گروهی از محققان موسسه فناوری BNM در بنگلور ، هند ، "Timbre سطح انرژی انسان را بدون توجه به اشباع ریتمیک یا هارمونیک تحریک می کند. منابع صوتی که دارای پروفایل هارمونیک ساده هستند دارای رنگهای تیره تر هستند و تمایل به تسکین احساسات انسانی دارند. »(بات و همکاران 360). همین گروه از محققان در شناسایی حالات مختلف ، جدول همبستگی ، تایم ، زمین و ریتم را تولید کردند که در جدول 1 مشاهده می شود.

حالات طبقه بندی شده با توجه به اجزای موسیقی. منبع: مشتق شده از بهار (2014).

جدول 1 هر هشت طبقه بندی خلق و خوی Thayer را با درجه نسبی اجزای مختلف موسیقی موجود در هر یک - از بسیار کم تا بسیار بالا نشان می دهد. خلق و خوی انرژی بالاتر مانند شاد ، پر انرژی و پرانرژی به طور کلی مقادیر بالاتری از شدت ، تایم ، زمین و ریتم نسبت به خلق و خوی انرژی پایین تر مانند آرامش ، رضایت و افسردگی دارند. برای درک چگونگی یافتن این رتبه بندی های مختلف ، اکنون بررسی خواهیم کرد که چگونه می توان از روشهای مختلف پردازش سیگنال دیجیتال (DSP) برای شناسایی اجزای موسیقی مانند ریتم ، زمین ، شدت و تایم از یک قطعه استفاده کرد.

تجزیه و تحلیل صوتی

وقتی موسیقی می شنویم، گوش های ما سیگنال آنالوگ را تفسیر می کنند - ارتعاش مولکول های هوا در اطراف ما. صدا از طریق فرآیند نمونه برداری بر روی رایانه ضبط می شود - اندازه گیری ارتعاشات صدا در بسیاری از نقاط زمان و سپس ذخیره آنها به صورت دیجیتال. یک قدر در زمان به عنوان نمونه نامیده می شود. برای ضبط های با کیفیت سی دی، 44100 نمونه وجود دارد که هر ثانیه موسیقی را نشان می دهند، که بزرگی هر نمونه با مقدار 16 بیتی نمایش داده می شود. هنگامی که از رایانه پخش می شود، این بزرگی های متفاوت با ولتاژ متفاوتی در خروجی صدا از کارت صدا مطابقت دارد، که در نهایت پس از تقویت، مخروط های برخی از بلندگوها را حرکت می دهد. این نمونه های متعدد همان اطلاعاتی هستند که برای استخراج اجزای موسیقایی یک قطعه مورد تجزیه و تحلیل قرار خواهند گرفت.

تمپو یا سرعت موسیقی بخش بزرگی از کمی سازی ریتم یک قطعه را تشکیل می دهد. تمپو را می توان از طریق استخراج یک طیف ضرب از صدا و سپس تعیین فرکانس ضربه ها شناسایی کرد. ضرب به عنوان یک نت برجسته (قوی تر یا بلندتر) در قطعه تعریف می شود که معمولاً به صورت دوره ای تکرار می شود. پس از شناسایی ضربان ها، فاصله بین سری های تطبیق ضربان را می توان اندازه گیری کرد (Bhat et al 360). به عنوان مثال، در اکثر فرم های موسیقی راک که در زمان ۴/۴ پخش می شود، قوی ترین ضربه کیک درام بر روی ضرب ۱ از ۴ و قوی ترین ضربه تله درام روی ضرب ۳ از ۴ خواهد بود. به راحتی قابل تشخیص است، زیرا دامنه موسیقی در ضرباتی که درام زده می شود به طور قابل توجهی بلندتر از ضربات خاموش بدون طبل است. شناسایی این الگوی تاکیدی 1 و 3 به شخص اجازه می دهد تا طول تکرار 4/4 (یک اندازه) را بیابد و از این طریق BPM آهنگ را تعیین کند. سرعت آهنگ ارتباط قوی با سطح انرژی درک شده دارد.

Timbre کیفیت تنال یک صدا است که ناشی از اجزای هارمونیک آن است. این هارمونیک ها صدای منحصر به فرد خود را به ابزاری می بخشند - به همین دلیل C میانه روی پیانو را می توان به وضوح از همان نت روی ویولن متمایز کرد. با تجزیه و تحلیل پاسخ های فرکانس آنها در طول مدت یادداشت ، تفاوت در Timbre بین دو ابزار با همان یادداشت را می توان به راحتی تعیین کرد. پیدا کردن تفاوت برای یک قطعه کامل موسیقی دشوارتر است. دو مورد از خصوصیاتی که در ترانه های کامل مورد تجزیه و تحلیل قرار می گیرند ، سرعت صفر عبور و بی نظمی طیفی هستند. سرعت عبور صفر سرعتی است که یک سیگنال از خط صفر عبور می کند ، جایی که ولتاژ خروجی صفر است. این نقطه صفر را می توان در شکل 2 مشاهده کرد. میزان عبور صفر می تواند شاخص خوبی از سر و صدا بودن یک سیگنال باشد. بی نظمی طیفی درجه تغییر بین قله های پی در پی در طول طیف فرکانس است. با گرفتن جمع مربع های تفاوت دامنه بین قله های مجاور یافت می شود. مقادیر بیشتری از این دو مقدار نشانگر مقدار بیشتری از هارمونیک و لحن کلی اشباع تر برای قطعه است. Timbre بیشتر در یک ترانه انرژی بالاتری را نشان می دهد ، همانطور که در جدول 1 می توان مشاهده کرد. چهار خلق و خوی با انرژی بالاتر در بالای جدول ، همه دارای یک مقدار تایمز از متوسط یا بیشتر هستند و چهار خلق و خوی با انرژی پایین تریک تایم از کم یا بسیار کم داشته باشید.

نقطه عبور صفر سیگنال. منبع: مشتق شده از بهار (2014).

زمین فرکانس یک صدا است که می تواند با سرعت ارتعاشات یا اندازه جسم ارتعاش تعیین شود. صداهای با فرکانس بالاتر با ارتعاشات سریعتر تولید می شوند و صداهای پایین تر توسط ارتعاشات کندتر تولید می شوند. زمین نشانگر بسیار خوبی از قرار دادن آهنگ نسبت به میزان استرس در مدل Thayer است. همانطور که انتظار می رود ، آهنگ های بالاتر در دسته های شاد ، پررنگ یا پرانرژی قرار می گیرند ، در حالی که ترانه های پایین تر در دسته های اضطراب/غمگین ، آرام یا افسرده قرار می گیرند.

شدت یا بلندی یک آهنگ به عنوان میانگین حجم کل در کل آن در نظر گرفته می شود. بلندی می تواند با توجه به میزان انرژی در مدل Thayer یک شاخص قوی از موقعیت آهنگ باشد. مؤلفه کمی شدت شدت دامنه شکل موج است. این کار با محاسبه RMS (میانگین مربع ریشه) سیگنال انجام می شود. RMS با گرفتن ریشه میانگین تعدادی دامنه مربع یافت می شود. RMS بالاتر نشان دهنده شدت بالاتری است و RMS پایین تر می تواند یک قطعه کمتری و آرام تر را نشان دهد.

چالش مهندسی تجزیه و تحلیل خلق و خوی موسیقی با توسعه و بهبود الگوریتم ها برای تجزیه و تحلیل این مؤلفه های موسیقی یک سیگنال همراه است و سپس بر اساس مقادیر نسبی آنها تصمیم می گیرد. این تجزیه و تحلیل همچنین به تعدادی از الگوریتم های DSP از قبل موجود مانند تبدیل سریع فوریه (FFT) متکی است ، که از دامنه زمان سیگنال می گیرد و مقادیر فرکانس های مختلف موجود را نشان می دهد. الگوریتم های تجزیه و تحلیل به آرامی اجرا می شوند و سرعت آنها از طریق بهینه سازی کد قابل بهبود است. همچنین می توان از طریق آزمایش های بیشتر و جمع آوری داده ها در انواع مختلف آهنگ ، دقت آنها را بهبود بخشید.

آزمایش

در این بخش نتایج تعدادی از آزمایشات انجام شده برای طبقه بندی آهنگ ها بر اساس ویژگی های مختلف صوتی انجام می شود و تضاد می کند. اولین گروه از مهندسین در انستیتوی فناوری BNM در بنگلور ، هند خواهد بود. این گروه از یک الگوریتم استفاده می کند که مقادیر شدت ، تایم ، زمین و ریتم را در تعدادی از آهنگ ها در روحیه مشخص می کند. پس از استخراج این ویژگی های صوتی ، آنها در برابر مقادیر آستانه از پیش تعیین شده برای هر خلق و خوی برای تصمیم گیری در مورد طبقه بندی مقایسه شدند (بهار و همکاران). مقدار متوسط هر ویژگی صوتی موجود در خلق و خوی خاص از آزمایش در جدول 2 نشان داده شده است ، که در زیر نشان داده شده است.

مقادیر میانگین برای ویژگی های صوتی که در سراسر خلق و خوی یافت می شود. منبع: مشتق شده از بهار (2014).

شدت و Timbre در جدول 2 به عنوان مقادیر عادی داده می شود - آنها باید به سادگی نسبت به یکدیگر مشاهده شوند. زمین به عنوان فرکانس در هرتز ، تعداد چرخه در ثانیه داده می شود و ریتم به عنوان تعدادی از ضربان در دقیقه داده می شود. مشاهده می شود که این مقادیر بسیار خوب با روندهای مورد انتظار بیان شده در بخش قبلی در مورد تجزیه و تحلیل آکوستیک مطابقت دارند. میانگین ریتم در ضربان در دقیقه برای خلق و خوی انرژی بالاتر مانند خوشحال یا ناامید کننده تقریباً دو برابر است که برای کمتری از انرژی مانند آرامش یا رضایت. میانگین زمین برای خلق و خوی کمتر استرس مانند خوشحال یا رضایت به همین ترتیب برای خلق و خوی استرس بالاتر مانند SAD یا افسردگی بسیار بالاتر است. نتایج فرآیند طبقه بندی بر اساس این مقادیر را می توان در جدول 3 مشاهده کرد ، که در زیر نشان داده شده است.

نتایج تجربی برای شناسایی آهنگ ها بر اساس ویژگی های صوتی. منبع: مشتق شده از بهار (2014).

با موفقیت آمیزترین حالات به ترتیب پرانرژی ، آرام و شاد بود. درصد دقت برای اینها - هر کدام بالاتر از 90 ٪ - بسیار چشمگیر است. برای طبقه بندی خلق و خوی قابل دوام تجاری ، یک الگوریتم باید بسیار دقیق باشد. لازم به تصحیح تعداد قابل توجهی از خطاها پس از شناسایی ، ارزش استفاده از الگوریتم را کاهش می دهد ، زیرا به معنای به حداقل رساندن میزان زمان انسانی صرف شده برای گوش دادن به قطعات جداگانه است. با این حال ، این احتمال وجود دارد که قطعات شناسایی شده به طور نادرست ممکن است در حالات همسایه قرار گرفته باشند - به عنوان مثال ممکن است یک آهنگ آرام به اشتباه به عنوان رضایت شناخته شود. این مناطق از مقیاس خلق و خوی حتی ممکن است برای یک متخصص آموزش دیده دشوار باشد.

استفاده آینده/فعلی

در سیستم های جستجوی موسیقی فعلی مانند iTunes یا Spotify ، آهنگ ها توسط یک ژانر از پیش تعریف شده مشخص می شوند ، که هنگام ارسال آلبوم ها یا تک آهنگ ها توسط این هنرمند انتخاب شده است. به عنوان مثال آلبوم های پیشنهادی یا هنرمندان در iTunes ممکن است با بررسی عادات موسیقی کاربران تعیین شود. به عنوان مثال ، یک پست ممکن است در زیر آلبومی که در برنامه نمایش داده می شود ظاهر شود که می گوید چیزی مانند "کاربرانی که این را دوست داشتند نیز دوست داشتند X". این فرایند شناسایی موسیقی مشابه برای یک برنامه فروشگاهی مانند iTunes برای شناسایی هنرمندان یا آلبوم های مشابه دوستانه مفید است ، اما هنگام جستجوی آهنگ به آهنگ ، ناکام است. به یک هنرمند فکر کنید که هم آهنگ های خوش بین و هم تصنیف داشته باشد - شخص ایده آل می خواهد پس از خرید یک تصنیف توسط اولین هنرمند ، یک تصنیف را از یک هنرمند مشابه دیگر پیشنهاد دهد.

این فناوری برای شناسایی روحیه یک آهنگ وجود دارد اما در این مرحله در فروشگاه های موسیقی تجاری عملی نشده است. با این حال ، برنامه های رادیویی اینترنتی مانند پاندورا شروع به اجرای روشهای تحلیلی تر در فرآیند ایجاد لیست پخش خود کرده اند. خود پاندورا مبتنی بر پروژه ژنوم موسیقی است ، تلاشی برای تجزیه و تحلیل ساختار آهنگ برای شناسایی آهنگ های مشابه که توسط تیم وسترگرن در سال 2000 راه اندازی شده است. این پروژه به طور مداوم به روز می شود ، و از ماه مه 2006 ، کتابخانه آن شامل بیش از 400000 آهنگ از بیش از 20،000 معاصر استهنرمندان (جویس). ترانه های موجود در کتابخانه توسط کارشناسان موسیقی در مورد حداکثر 450 ویژگی موسیقی مورد تجزیه و تحلیل قرار گرفته است. با توجه به کار پروژه ژنوم موسیقی ، پاندورا احساس می کند که آنها بهتر می توانند سلیقه یک فرد را بشناسند و پاسخ دهند ، و آنها پیشنهاد می کنند که "نتیجه یک تجربه رادیویی بسیار شخصی تر است" (pandora.com).

نتیجه

شکستن آهنگ به مؤلفه های موسیقی قابل اندازه گیری مانند ریتم ، هارمونی و Timbre می تواند تطبیق آهنگ ها را با دسته های خاص بر اساس داده های مورد انتظار برای هر نوع خلق و خوی فراهم کند. این سیستم طبقه بندی کامل نیست ، اما می تواند برای انواع برنامه های فنی مفید باشد - خواه شناسایی آهنگ های روحیه مشابه برای رادیو آنلاین یا تنظیم خودکار کاتالوگ های بزرگ موسیقی مانند iTunes. سودمندی برنامه به هم دقت نتایج و هم به سرعت استفاده از الگوریتم های طبقه بندی بستگی دارد.

کتابشناسی - فهرست کتب

• Bhat ، A. S. ، V. S. ، A. ، S. Prasad ، N. ، & Mohan D. ، M. (2014). یک الگوریتم طبقه بندی کارآمد برای تشخیص خلق و خوی موسیقی در موسیقی غربی و هندی با استفاده از استخراج ویژگی های صوتی. 2014 پنجمین کنفرانس بین المللی پردازش سیگنال و تصویر ، صص 359-364. doi: 10. 1109/ICSIP. 2014. 63
• جویس ، جان (بخش ایالتی ویرجینیا ، خدمات آزمایشگاهی تلفیقی ، ایالات متحده). پاندورا و پروژه ژنوم موسیقی: ابزارهای تجزیه و تحلیل ساختار آهنگ کشف موسیقی جدید را تسهیل می کنند. محاسبات علمی ، v 23 ، n 10 ، ص 14+40-41 ، سپتامبر 2006 [نمی توان این استناد را تأیید کرد]
• pandora.com ،. N. P. ، 2015. وب. 18 فوریه 2015. [URL را به سایت ارائه دهید."نویسنده شرکت" را برای پاندورا تهیه کنید]

خواندن پیشنهادی

• Trung-Thanh Dang ؛شیرای ، ک. ، "رویکردهای یادگیری ماشین برای طبقه بندی خلق و خوی آهنگ ها به سمت موتور جستجوی موسیقی" ، مهندسی دانش و سیستم ، 2009. KSE '09. کنفرانس بین المللی ، جلد ، شماره ، صص144،149 ، 13-17 اکتبر 2009z. doi: 10. 1109/kse. 2009. 10

همچنین ببینید

• پردازش سیگنال در امور مالی