【山东科协每日科普】音乐的指纹：“听歌识曲”是怎么识别音乐的？

更新时间：2024-11-07 09:58  浏览量：7

在数字音乐盛行的今天，你有没有过这样的时刻：在商场、咖啡厅里听到一首歌很上头，急切想知道歌名？或是听到一段熟悉的旋律，但就是想不起歌曲的名字？这时，“听歌识曲”功能便成为了我们的得力助手，只需几秒钟，就能快速准确地识别出正在播放的歌曲甚至是歌手。

“听歌识曲”技术，本质上是一种音频信息检索技术，其核心在于音频指纹的提取与匹配。那么，音频指纹是如何进行提取与匹配的呢？

一、声音采样：音频数字化

音乐识别的第一步就是“听”声音。但机器是怎么“听”到歌的呢？声音本质上是一种振动，在空气或水等介质中传播。被人耳接收后，人耳会把这种振动通过耳膜等组织传导为大脑能识别的信号。机器听歌的原理也类似，它把声音的振动转化为电信号，再把电信号转变成计算机可处理的数字信号。

这个把连续的声音波形转化为离散数字信号过程就叫做采样。采样率决定了信号的捕捉效果。采样率越高，点越密集，原始声音被保留得越完整。

通过采样获得了声音信号，但这只是“听歌识曲”的第一步。我们还需要提取这些声音中的特征，转换为能被识别的模式。

二、音频指纹：提取频率特征

转换后的数字化信号接下来会被送到音频处理模块，这里会进行声音的特征提取。这包括从时域转换到频域，特别是通过傅里叶变换（FFT），将连续的音频信号分解为不同频率的分量。

在频域分析之后，app会提取音频中的关键频率特征，这些特征被用来生成音频的“指纹”。音频指纹是一种独特的标识符，每个音频文件都有其独特的指纹。这些指纹是通过分析音频的频率、振幅和相位生成的，通常使用离散傅里叶变换（DFT）来实现。

三、音频指纹生成

频谱图是一种特殊的频域图，它呈现了音频信号的时间、频率和强度三维信息。

频谱图记录了歌曲每一秒的频率和振幅，很直观地向我们展示了信号中哪些频率在什么时候出现，它们的强弱关系如何。

就像人的指纹是独一无二的，每首歌也有自己独特的音频指纹。提取音频指纹的过程大致如下：音频被拆分成若干小块，进而提取音频中的显著频率峰值，每个片段的峰值组合就形成了整首歌的音频指纹。

通常情况下，不同的频率范围会被分别处理，这样能够确保对低音、中音和高音的均衡分析，避免混淆或漏掉某些音乐元素。

每首歌都会被转换为一个独特的音频指纹，所以就算是同一首歌的不同版本也会因为频率、振幅和时间上的差异而生成不同的指纹，以确保后续最精准的匹配。

四、在数据库中寻找匹配：哈希表与高效匹配

现在我们有了这首歌的“指纹”，接下来要在已有的歌曲数据库中找到与它匹配的指纹，来识别出具体的歌曲。“听歌识曲”技术将每段音频指纹转换成哈希值（一种编码），这样可以加速在数据库中查找匹配（因为比较哈希值比起去比较整段音频要快得多）。软件会将用户录音的指纹与数据库中的指纹哈希值比对，找到指纹匹配的歌曲。

如今，音乐识别技术的应用场景已经非常丰富，除用来识别歌曲，还可以用于版权监控保护，检测音乐中的采样和相似度，甚至可以用于找出某些流派的起源和灵感来源。

这种特征提取和匹配技术也为个性化音乐推荐提供了基础。推荐系统通过深度学习分析音乐的情感、风格判断歌曲的情绪（如欢快、悲伤、激动）、根据音乐的旋律、节奏、情感等特征来挖掘用户的喜好，不仅提高推荐的准确性，而且能为用户发现更多与其品味相符的音乐。