检测带人声的音乐

最新推荐文章于 2024-01-27 13:32:32 发布
最新推荐文章于 2024-01-27 13:32:32 发布
阅读量3.2k 收藏
点赞数 1
分类专栏： 音频算法开发 文章标签： MIR
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weiqiwu1986/article/details/43987249
版权

部分文献的结果：

印度古典乐的几种简单乐器的演奏，谱减法消去部分背景音初步处理，区分结果：


前提已知-音乐的曲调，消去部分背景音,实验结果：


针对各类复杂的流行音乐，自己实验的结果：

1120首10折交叉验证的准确率是87.2%
5000首10折交叉验证的准确率是86.40%  耗时 15个小时
截取中间3分钟
5000首10折交叉验证的准确率是86.33%  耗时 10个小时
无重叠帧处理
5000首10折交叉验证的准确率是86.42%  耗时 5个小时， 平均处理1个文件3.6s


welen_flying
关注
专栏目录
使用Python扩展库spleeter分离MP3音乐文件中的伴奏和人声
董付国的Python专栏
10-03 4326
推荐图书：《Python程序设计（第3版）》，（ISBN：978-7-302-55083-9），董付国，清华大学出版社，2020年6月第1次印刷，2021年9月第10次印刷，山东省一流本科...
人声识别原理
03-12
人声识别原理
人声音乐声检测的小例子
aig8440的博客
10-13 97
待检测音频：http://pan.baidu.com/s/14J0uy 时间，类型 转载于:https://www.cnblogs.com/welen/p/4021840.html
带有 SpeechSense （人声辨识）算法的 AGC 在音频系统中的应用
charleslei的专栏
11-28 3524
带有 SpeechSense （人声辨识）算法的 AGC 在音频系统中的应用
识别人声_演唱人声的5个技巧
weixin_26732881的博客
08-03 1534
识别人声 什么是声乐伴奏？ (What is Vocal Comping?) Vocal comping describes the process of combining multiple vocal takes into one “supertake” that has the best parts of each. This is called a “composite track,” o...
音乐和人声自动判别小结
WELEN的专栏
02-28 4999
如下表1和表2所示，人声测试集包含：电视节目、讲故事、评书、说相声、有声电台等；音乐测试集包含：华语舞曲、R&B、西方民谣、华语摇滚、rap、1614混合曲集等。     表1测试集中，人声的平均识别率在89.31%，音乐的平均识别率在95.95%。相声和故事的结果较差，原因在于测试集中包含的相声现场录制环境较差，环境吵闹，频谱混乱；而讲故事有比较明显的音乐背景伴奏。      表
voice-music-detection_人声_voice-detection_人声识别_music-detection_用双
09-11
在IT领域，人声音乐检测是一项重要的音频处理技术，它主要应用于音频分割、语音识别、音频编辑和多媒体内容分析等多个场景。"voice-music-detection_人声_voice-detection_人声识别_music-detection_用双"这个标题...
基于Matlab实现人的声音与音乐实时识别源码+详细代码注释(信号与系统课程作业).zip
08-03
基于Matlab实现人的声音与音乐实时识别源码+详细代码注释(信号与系统课程作业).zip...人声音乐实时识别 人声音乐识别 信号与系统课程作业 用双门限法进行人声音乐识别 本质检测音频时域连续度，人声连续度高，音乐低
一个极简的人声和背景音乐分离工具，本地化网页操作，无需连接外网.zip
最新发布
02-07
标题和描述中提到的是一个人声和背景音乐分离的工具，它具有极简的用户界面，并且可以在本地网页环境中运行，不需要连接到外部网络。这样的工具对于音频编辑、音乐制作或者内容创作者来说非常实用，因为它可以帮助...
音乐期末检测样卷.doc
10-08
【音乐期末检测样卷知识点详解】 本篇内容涵盖了七年级至九年级的音乐期末检测题，涉及了音乐理论、音乐欣赏、歌唱表演等多个方面。以下是根据题目内容整理的知识点： 1. **嗓音保护**： 变声期是青少年生理发育...
VQ人声识别
01-28
基于VQ的MATLAB人声识别，五人识别。
MATLAB去除背景声音--人声
05-06
这是一份MATLAB代码，可以去除音乐中的人声，亲测有效。
ModelArts---人声检测、文本分类
alivefour的博客
05-15 350
人声检测 数据集上传 自动学习 文本分类
[转]WebRTC 人声检测与舒适噪音
至虛極，守靜篤
01-27 422
早期版本的舒适噪音的格式定义在RFC 1890中，这个版本的格式只包含一个字段，就是噪音级别。舒适噪音生成器在接收端根据发送到给的参数，来产生类似接收端的舒适噪音, 用来模拟发送方的噪音环境。接收方在收到新的CN包后，会更新产生舒适噪音的参数。如果B具有VAD检测功能，那么B就可以在不说话的时候，发送特殊标记的语音流或者通过减少语音流发送的频率，来减少无意义语音的发送。除此以外，人声检测还能用于减少网络中语音包传输的数据量，从而极大的降低语音的带宽，极限情况下能降低50%的带宽。很少可能是两个人都说话的。
ModelArts-人声检测and文本分类
ppyy8的博客
05-12 293
1.人声检测及区分 1.1导入数据集进obs桶 1.2创建声音分类项目 选择modelarts的声音分类项目即可 1.3模型训练 同步数据源之后，开始打标签，创建各个标签后，就可以标注了... 下面是标注好的： 接着就可以训练了... 1.4部署上线 训练完成后，就可以部署上线，并进行测试了... 部署上线后开始测试： 数据集少，所以效果不太好...但还是预测出来了 2.文本分类 2.1从AIgallery中导入数据集 下载的是外卖评论数据集 ..
噪音人声识别接口
FreeSWITCH二次开发-CTI接口
06-23 975
语音活动检测(Voice Activity Detection,VAD)，就是检测是否有声音，常规的算法是通过声音音量和频谱特诊来判断是否有声音的，但是无法区分是噪音还是人声，在电话机器人中噪音打断和噪音识别错误的关键词始终是一个痛点，机器学习算法可以通过大量噪音和人声数据训练出判别人声还是噪音的神经网络模型，VAD算法结合深度神经网络就可以彻底解决这个痛点了。 我们的最新VAD算法已经集成了人声噪音判别引擎。在电话机器人业务中，大量的无效声音(各种噪音)调用ASR，浪费ASR调用费用，有了噪音人声判别功能
java 简单判断录音是否有人声（1） vad语音活动检测
wangiyeng的博客
05-11 882
简单判断录音是否有人声 vad语音活动检测
人声检测与文本区分
sdytfdyfu的博客
05-13 321
目录 1.人声检测与区分 1.1创建项目，导入数据集 1.2打标签 1.3开始训练 1.4部署上线 1.5上传文件进行预测 2.1AI Gallary下载数据集 2.2创建数据集并导入 2.3创建项目并训练 1.人声检测与区分 1.1创建项目，导入数据集 1.2打标签 1.3开始训练 1.4部署上线 1.5上传文件进行预测 2.1AI Gallary下载数据集 2.2创建数据集并导入 2.3创建项目并训练 2.4部署上线...
给我推荐20个比较流行的人声分离算法
09-07
人声分离是一种将人声与背景音乐分开的技术。目前流行的人声分离算法有： 1. 基于卷积神经网络的方法，如 U-Net、DeepConvSep、Deep Speaker-aware Network 等。 2. 基于长短期记忆（LSTM）的方法，如 LSTM-based Audio Source Separation、LSTM-based Single-channel Audio Separation 等。 3. 基于隐马尔可夫模型（HMM）的方法，如 HMM-based Audio Separation、HMM-based Audio Source Separation 等。 4. 基于注意力机制的方法，如 Attention-based Audio Source Separation、Attention-based Audio Separation 等。 5. 基于协同过滤（CF）的方法，如 CF-based Audio Separation、CF-based Audio Source Separation 等。 6. 基于约束的方法，如 Constraint-based Audio Separation、Constraint-based Audio Source Separation 等。 7. 基于多源信息熵的方法，如 Multi-source Information Entropy-based Audio Separation、Multi-source Information Entropy-based Audio Source Separation 等。 8. 基于声纹识别的方法，如 Speaker Recognition-based Audio Separation、Speaker Recognition-based Audio Source Separation 等。 9. 基于语音增强的方法，如 Speech enhancement-based Audio Separation、Speech enhancement-based Audio Source Separation 等。 10. 基于二进制分类的方法，如 Binary Classification-based Audio Separation、Binary Classification-based Audio Source Separation 等。 11. 基于深度学习的方法，如 Deep Learning-based Audio Separation、Deep Learning-based Audio Source Separation 等。 12. 基于非负矩阵分解（NMF）的方法，如 NMF-based Audio Separation、NMF-based Audio Source Separation 等。 13. 基于独立成分分析（ICA）的方法，如 ICA-based Audio Separation、ICA-based Audio Source Separation 等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值