听歌识曲秒速找歌，全靠这个“音频指纹”黑科技！

更新时间：2024-12-25 15:12  浏览量：1

我们的大脑可以很快地识别出听过的歌，但是如果用电脑来识别一首歌，那就复杂多了。电脑没有感官，所以就不能感受音乐，只能通过跟数据库中的歌曲做对比，然后找到与之匹配的那首。

听歌识曲ui界面

但是现今世界上有版权的正式注册歌曲已经超过1亿首，如果一首首对比的话，简直难上加难。那听歌识曲的功能是怎么用10秒钟的时间，在上亿首歌曲中找到一首歌的呢？

今天跟大家聊聊听歌识曲，这个日常生活中大家都会用到的小功能。

很多同学可能以为听歌识曲是智能机诞生之后才出现的功能，其实早在诺基亚鼎盛的年代，这个功能就已经出现了。

那时候大家都把它叫做2580。

想识别一首歌曲，就先要拨打这个号码，然后手机会在30秒后自动挂断。最后2580会把识别出的歌曲和歌手，甚至是下载链接都以短信的方式发送给用户，这就是最早的听歌识曲。

后来2580正式更名为沙赞，并开发成了一款APP，而这个APP在2014年就拥有了超过1亿的活跃用户量。其背后实现了听歌识曲算法的是沙赞的创始人之一——Avery Li-Chun Wang。

2013 年，Avery Li-Chun Wang发表了一篇名为《一种工业级音频搜索算法》的论文，他提出了基于音乐指纹的搜索算法，这种算法的识别准确率超高，一下就吸引了不少算法工程师的关注。

而在这篇论文发表之前，甚至不少人还以为沙赞公司真的雇佣了几百个“人肉识别机”，996的识别那些来自诺基亚麦克风的悠扬歌声。这让我想起了爷爷奶奶们最爱看的电视节目《开门大吉》。

在正式开始讲解听歌识曲的原理之前，让我们先来回顾一下人脑是怎么识别出我们听过的歌曲的。

首先我们把耳朵打开，听见音乐，找到这首歌最有特征的地方，可能是一句朗朗上口的旋律，也可能是歌里某个很特别的音色。接着我们在脑海里闪现出之前听到的这首歌，轻轻松松就匹配上了。

频谱图

如果把这个生理过程放到计算机上，那就会变成这样：打开麦克风接收音乐，将模拟信号转化成数字信号，提取歌曲中的特征信息并转化成音频指纹，再跟数据库做相似度计算，最后将匹配度最高的那个推送给你。

这个过程听起来复杂，其实短短几秒钟就完成了，但是同学们有没有在这当中发现一个问题？那就是提取歌曲中的特征信息。

我们常说一千个观众眼里有一千个哈姆雷特，每一首歌的特征对每个人来说都可能不尽相同。那计算机根据谁的感觉来判断歌曲特征呢？这时候就需要一个叫做频谱图的东西。

波形图

好多人可能没有见过频谱图，但是肯定见过这种波形图，但如果用波形图做依据来给计算机判断的话，其实并不准确。因为一般我们听到的歌都不是单一旋律，大多数都是复杂的旋律叠加在一起。

我们拿一首钢琴曲举例子，波形图会把不同频率的波形都叠在一条线上，这能看出来个啥？基本上除了音量大小，我们看不出来其他任何信息。

但如果转化成频谱图的话，就能把这首钢琴曲的音调、音色、节奏、音量等等信息都表现出来，理论上你能在歌里听到的，频谱图里都有展示。

频谱图，可以说是音频的视觉化效果，而且这不是一个二维图像，实际是一个3D图。 x轴为时间，y轴是频率，也就是音调的高低，而z轴是振幅，也就是音量的大小。二维呈现的时候颜色越亮，也就表示声音响度越大。

频谱图3D样式

如果电脑直接用频谱图和数据库里几千万首歌做对比的话，也不是不行，但还是太复杂，同学们要识别一首歌的话，估计能举着手机等到石化。我们需要再去掉一些对比数据，来减少计算机的检索时间。

这时候就需要用到音频指纹。音频指纹顾名思义就是属于音频的指纹，就像每个人的指纹一样独一无二，是从频谱图中转化出来的。

我们先找到频谱图中不同的时间下频率的峰值，然后标注出这个点，频谱图就转化成了音频指纹。

通过这样的方式我们就能把三维图像转换成二维，同时还减少了需要对比的数值。虽然看上去这些点好像很容易重复，但其实对于音频来说非常有代表性，几乎可以算得上是歌曲独一无二的特征。

音频指纹的方式准确率非常高，甚至在只匹配到五六个指纹的情况下也能识别出来歌曲，所以你的听歌识曲只需要几秒钟的歌曲片段就够，而且音频指纹还能抵抗噪音的干扰。

音频指纹

举个例子，假如你在烧烤店听到一首歌，甭管身边有几个大哥在喝酒唠嗑，只要你还能听得到这首歌，那就说明噪音没能盖住音乐。这意味着这首歌当中的频率峰值点能够被麦克风捕捉到，这也就是为什么听歌识曲能在嘈杂的环境下运行。

不过偶尔会有例外，如果麦克风被其他东西干扰，你就可能会匹配到一首奇怪的歌。我自己经常用某音乐软件，之前有一次用听歌识曲，软件匹配了一首歌，里面有一句念白和电流声。

打开评论区发现有好多小伙伴和我一样是被听歌识曲带进来的，发现大家都是因为插了耳机或者充电的情况下，电流干扰到了麦克风，才会匹配出这首歌来。

我们现在掌握了计算机可以识别的歌曲特征，还剩下最后一步，在数据库中找到这首歌，而它就是听歌识曲秒速找歌的秘密——哈希表。

哈希函数是计算机专业中最常见的技术之一，这个技术可以把具体内容转化成一串固定长度的数字编码，不管是一句话还是一部电影，都能生成一串独一无二的编码。

如果我们直接拿之前的星状图去做比对，至少要把曲库里几千万首歌中的每个时间点都对比一次，再对比下一时间点，这样做效率依旧很低。

更好的办法是把邻近的峰值两两相组，以它们之间特定的时间间隔和频率作为区分，给它们生成为一串哈希码。

举个例子，假如你变身成了一台电脑之后，你的大脑要你描述超级马里奥主题曲的第二小节的前两个音，高音do0.3秒后是中音so，那你只要说我听到了15236号音色特征就可以。

电脑就是这样操作的，在收到一段歌曲后，算法就会把这段声音转化成一串哈希码，在数据库中找到对应的数字，就像在查字典一样，通过偏旁部首或者是拼音首字母，就可以找到精确的字符页数，而不需要翻完整本字典一页页的对比。

再举个例子，当你的女朋友让你给她买口红的时候，她不能说“我要那个烂番茄色口红”。如果出现这种情况，多半你买回来的口红会被女朋友翻白眼。在不懂口红颜色的你眼里，谁知道会把什么当成烂番茄色。

但如果她说“我要那支 405 色号的口红”，你就会很清楚到底要买哪支。405就是用来查找口红数据库的索引值，这就是哈希表的作用。先将关键字通过哈希函数转化成一个索引值，再把索引值对应到结果上。

这也告诉我们一个深刻的道理，对待电脑你得把要求说得简单又明白，让它们猜来猜去的后果，可能就会是收到一个错误答案。

沙赞被苹果收购

到今天，听歌识曲这个功能已经发明20多年，仅仅是沙赞公司就已经识别了几百亿首歌曲，而它也靠着这项技术在2017年以4亿美元的价格被苹果收购。

而音频指纹技术除了用在听歌识曲上，也被应用在各种平台，比如手机和电视的互动中，像微信之前推出的摇电视和淘宝首页的摇一摇，也都是通过音频识别的方式来提供电视互动和边看边买的服务。

YouTube和Facebook还会用音频识别的功能来检测用户的重复上传和侵权行为，一些地区的电视台还会通过这个技术来调研收视率。总之，这个技术的应用场景正在被不断扩展。

可能 20 年前给2580打电话的人也很难想象，帮自己找歌的小功能竟然会发展成这样。那我也真的希望那些平时被我们“调戏”的语音助手有一天真的能变成生产力工具。