基于高斯混合模型流行音乐中歌唱部分的智能检测

有效地检测出流行音乐中的歌唱部分对在海量数据库中进行音乐检索、浏览、归类,以及旋律提取和歌唱家识别等有较大的价值.本文使用在语音信号处理中广泛使用的基于梅尔频率的倒谱系数(MFCC)作为语音特征来分析所要处理的音乐信号,并采用高斯混合模型(GMM)的建模方法分别为音乐中的伴奏部分(non-vocal)和歌唱部分(vocal)建立相应的GMM,进而实现音乐中歌唱部分的智能检测.与传统的只用一组手工标示了vocal和non-vocal的训练数据分别为两类数据训练一个GMM的方法相比较,本文在此基础上,再分别用一组纯歌唱部分数据和一组纯伴奏部分数据为每类建立一个GMM,然后将上述得到的两个vocalGMMs和non-vocalGMMs进行线性组合得到表示每类的概率模型.本文使用似然概率分类器作为系统的决策函数.实验结果表明该方法能够有效提高系统的识别性能.

一种按节拍动态分帧的歌曲有歌唱部分检测新方法

歌曲中的有歌唱部分是音乐的精华所在,也是音乐检索中用户检索的主要部分,传统的歌曲有歌唱部分检测采用的短时固定长度分帧方法没有考虑到音乐信号与一般音频信号的不同,针对于此,文章中提出一种结合音乐信号的节拍特征进行动态分帧的方法,该方法结合乐理知识,首先将音乐信号按照节拍进行分割,在此基础上提取特征,训练分类器,从而检测歌曲中的有歌唱部分,经实验表明,该方法能够对不同风格音乐信号有歌唱部分进行有效的检测,相对传统方法,能够提高检测的精确度.

基于动态GMM模型的歌曲歌唱部分检测

针对人工标注歌声/纯伴奏信号存在的误差,以及初始训练的歌唱模型/伴奏模型与测试歌曲之间在音乐风格、乐器等方面的差异,提出建立基于对数似然比的动态GMM模型。在使用初始模型对测试歌曲的每一帧进行分类后,根据似然比选出可信度较高的连续帧数据,对初始模型进行动态更新,使得更新后的模型与测试歌曲之间的差异缩小。实验结果表明,相对初始模型,使用动态更新后的模型对歌曲的歌唱部分进行检测,准确率更高。

柏辽兹艺术歌曲三位一体的艺术构思——以柏辽兹声乐套曲《夏夜》为例

柏辽兹热爱诗歌,也热爱音乐,是法国艺术歌曲(Mélodie)之开先河者,是法国浪漫主义作曲家的杰出代表。柏辽兹的艺术歌曲诗歌、声乐、器乐三位一体,完美结合。这是柏辽兹艺术歌曲的价值核心。