作者：意姝
审核：泰一

什么是音乐？

《礼记》里说，“凡音者，生人心者也，情动于中，形于声，声成文，谓之音”，音是表情达意的一种方式。从乐理上讲，通常音乐是由节奏、旋律、和声这三要素构成的，十二平均律这些律式和数学紧密相关。所以我们可以说，音乐是一个感性与理性交融的产物。而今天要介绍的音乐信息检索（Music Information Retrieval，MIR），便是从音乐里提取 “信息” ，用算法将音乐中理性的一面挖掘出来。

哪些是音乐的信息？

1. 节奏

首先我们来听一首抖音神曲：《鳌拜鳌拜鳌拜拜》

https://y.qq.com/n/yqq/song/000ZCScz4g4BuM.html

歌曲中让你忍不住跟着一起摇头抖腿的强烈的鼓点，就是节奏点，这是对节奏一种感性的认知。

严格来说，节奏是被组织起来的音的长短关系，它像是音乐的骨架，把音乐支撑了起来。譬如下图乐谱上的 “4/4” 是拍号，代表着这首曲子的音长的组织形式为：以四分音符为一拍，每小节 4 拍。每小节的第一拍往往为强拍（downbeat），这里的 “down” 和指挥的手势一致。

其它常见的拍号还有：2/4，3/4 等，这些都是单拍子（simple meter），也就是每拍自然二等分的节拍。除此之外还有复拍子（compound meter），指的是每拍自然三等分的节拍，如 6/8，复二拍子，读作 “一二三，二二三，一二三，二二三” 。

爵士乐、灵魂乐的魅力很多都在于对节奏的运用，遗憾的是，相当一部分华语流行歌曲都是 4/4 拍子的，导致听感上有很多雷同之处。

 2. 音高

音乐是一种声音，所以也是由物体震动产生的，音的高低是由振动频率决定的。乐器发出的声音或人声，一般都不会只包含一个频率，而是可以分解成若干个不同频率的音的叠加。

这些频率都是某一频率的倍数，这一频率就称作基频，也就决定了这个音的音高。下图为一段男声朗读的音频的语谱图，最下面蓝色框出来的部分就是当前时刻的基频。通常人声的音高在 100Hz～200Hz 左右。

对于流行歌曲而言，音高常常指的是它的主旋律，也就是人声唱的部分。

3. 和弦

现代音乐概念里面，由多个不同的音高同时发声就叫和声，三个或三个音以上的和声就叫做和弦。当这些音同时弹奏时，叫做柱式和弦，而当它们先后奏出时，便叫做分解和弦。

不过，并不是随便按下几个音，都可以带来悦耳的听感。由十二平均律可知，一个八度平均分成十二等份，每份称为半音，每个半音的频率为前一个半音的 2 的 12 次方根。常见的有三（个音的）和弦，七（度音的）和弦，基本的三和弦的组成如下图所示。

4. 段落

像文章一样，音乐也可以划分为一个个段落，让情感的表达有了起承转合。段落的组织形式多种多样，常见的有如下几种：

• AAA一段旋律的重复，简洁明了，常见于宗教音乐。

https://y.qq.com/n/yqq/song/004Yc5sF3Rq7Wn.html

• ABAB两段旋律交叉重复。

https://y.qq.com/n/yqq/song/000aKduC3mu0IL.html

钢铁侠出场音乐

• AABA在重复的旋律中添加一段不太一样的，避免乏味感，如这首圣诞歌曲。

https://y.qq.com/n/yqq/song/002zL7ur42FYtK.html

• 古典音乐

一些古典音乐有自己的内容组织形式，如奏鸣曲式（sonata form），它的结构由呈示部、展开部、再现部三大段依序组成。

• 流行音乐

大家比较熟悉的结构是 “前奏、（主歌 - 副歌）*n、尾奏” ，当然流行音乐的创作比较*，有时创作者会在两段副歌之间添加桥段来避免单调，或在主歌与副歌之间添加过渡段，使得情绪过渡更为自然。

如何提取这些信息

传统的方法是 “提特征 + 分类器” ，这些特征包括时域和频域的。

音频信号常常用二维的特征来表征：一维频率、一维时间。这样我们可以用对待图像的方式，将音频特征输入到分类器中。不过音频特征和图像也有所区别，图像具有局部相关性，即相邻的像素点特征比较接近，而频谱的相关性，体现在各个泛音之间，局部的相似性比较弱。

举个栗子，我们用周杰伦《简单爱》的前 10s 的和弦（C，G，Am，F）渲染出一段音频，下图所示的 4 个频谱类的特征，从左上到右下分别为：短时傅立叶变换、Mel-Spectrogram、Constant-Q Transform、Chromagram，前三个都可以理解为通过滤波器组把原始的音频信号做拆分。

在提取特征的过程中，一些抽象的、隐藏在音乐信号中的语义便浮出水面。在 Chromagram 中，纵轴是 Pitch Class（音高集合，e.g. “音高集合 C” 包含了 C1，C2，C3....）。从图中可以看出，0s～3s 最亮的三个音分别是 C、E、G，可以推测出这是一个 C 和弦，合适的特征让 “和弦检测” 这个分类任务的难度有所降低。

随着深度学习在各个领域的蓬勃发展，深度网络也逐渐成为 “分类器” 的首选，不过也要 “因地制宜” ，像节奏这种对音乐上下文有所依赖的音乐 “信息”，RNN 类的网络往往效果更佳。 

我们现在能做到哪些

因为我们的应用场景同时包含了实时与离线，所以下列算法很多都有实时的版本，可用在实时音视频通信等场景。

1. 节奏检测

如上文所述，节奏点就是歌曲拍子所在的位置。前阵子比较火的 “蚂蚁呀嘿”，照片中头动起来的样子非常魔性，这些动作就是按照歌曲的节奏点来设计的。下面我们把利用算法检测出来的节拍，用类似于节拍器的声音呈现出来，学过乐器的同学应该对这 “嗒嗒嗒” 的声音有印象。通过节奏检测的算法自动识别出其他歌曲的节奏点，我们也可以制作自己的 “蚂蚁呀嘿” 模板。

上文还提到了 “强拍” ，可以用来区分小节。我们的方法除了检测出 beat，还能区分出 downbeat，下面的视频展示出了 “蚂蚁呀嘿” 里的 downbeat：

有同学可能会好奇，你们的算法检测出 beat、downbeat 有什么用啊，不就是一些时间点嘛？

其实可以衍生出很多音乐的玩法，譬如说前几年很火的音乐游戏，节奏大师，一个跟着旋律、节奏来疯狂输出的游戏。

我们在公开数据集（GTZAN）和由 100 首流行歌曲构成的内部数据集上，评测了我们的方法，结果如下表所示。我们的方法在两个数据集上均有 0.8 以上的 F 值，具有一定的鲁棒性。

2. 实时音高检测

我们的方法可以做到输入一帧音频，然后输出当前帧的音高，以赫兹为单位。

上面这句话看上去似乎有些干瘪，那这些数字有哪些作用呢？

举个栗子，很多 K 歌软件里都有下图中红框中的内容，它们是歌曲的音高线。衡量歌唱得准不准，主要就是看演唱者的音高、节奏和原曲的匹配程度。

在这个场景下，我们的音高检测算法可以实时地分析用户的演唱水平，并给出分数。

除此之外，实时音视频通信中的一些场景也依赖音高检测，如 Voice Activity Detection (VAD)，如果当前帧有音高的话，说明有人声。 

3. 段落检测

流行音乐常见的段落类型有：前奏、主歌、过渡段、副歌、间奏、桥段、尾奏这 7 种。

我们调研了市面上做段落检测的方法，很多都是基于自相似矩阵（Self-Similarity Matrix, SSM），对音乐结构做了 segmentation，也即它们仅仅能划分时间区间，而无法给出具体的段落类型；Ullrich et al. 提出了基于 CNN 的有监督学习的方法，可以检测出不同粒度下段落的边界。除了 “segmentation” ，我们的方法还可以做到 “classification”，即可以给出每个段落的时间区间和类型（上述 7 种）。

我们选取了音乐软件上热门榜单里的前 100 首歌曲，来作为我们的评测样本集，评测结果及指标含义如下所示：

这 100 首中包含了 19 首土味 DJ remix 歌曲，由于这些歌曲动态范围较小，能量很强，“动词打次” 的声音掩盖了很多原曲的特质，所以在这类歌曲上，段落检测算法表现较弱。刨除这些 DJ 歌曲后，算法的 F_pairwise_chorus 可以达到 0.863。
考虑到现在对音乐的消费越来越快餐，而且有时候为了给视频配乐，需要截取音乐的片段，而副歌往往是一首流行乐最 “抓耳” 的部分，我们将算法封装为 “副歌检测” 的功能，一键帮用户筛选出流行歌里所有的副歌，具体的调用方式在这里。

这里以周杰伦的《说好的幸福呢》为例，算法的输出结果如下图所示，时间单位为秒，大家可以边欣赏 MV、边感受副歌的情感与能量～ 

4. 实时声音场景识别

上文提到了一些 MIR 算法的效果及应用，不过在哪些场景下可以使用它们呢？也即如何区分出音乐场景呢？

针对这个问题，我们提供有声音场景识别的算法能力，可以识别出当前是 “语音、音乐、噪声” 中的哪一种，而且针对语音，可以进一步区分性别（男 | 女）。

下面是一段《新闻联播》的音频，声音场景识别算法标记出了其中的音乐、男声、女声，以及无声音（也即没有能量）的部分。

关于我们

阿里云视频云 - 语音与音乐算法团队，主要为视频时代的娱乐、教育等场景提供语音音乐等音频的解决方案。在这里你可以了解到更多前沿的音频算法应用，欢迎与我们一起打造更好的音频世界！

「视频云技术」你最值得关注的音视频技术公众号，每周推送来自阿里云一线的实践技术文章，在这里与音视频领域一流工程师交流切磋。