การแปลงค่าคงที่ Q สำหรับเสียง
การแปลงค่าคงที่คิว (CQT) คือการวิเคราะห์ความถี่ที่ใช้ช่องที่มีระยะห่างแบบลอการิทึมซึ่งตรงกับระดับเสียงดนตรี แทนที่จะเป็นช่องที่มีระยะห่างเท่ากันของการแปลงฟูริเยร์มาตรฐาน
ภาพรวม
It matters because it mirrors how we perceive pitch, making it ideal for music analysis where notes double in frequency each octave.
เจาะลึก
ในการแปลงฟูริเยร์เวลาสั้นปกติ ช่องความถี่จะมีระยะห่างเป็นเส้นตรง ดังนั้นโน้ตที่ต่ำจึงถูกอัดแน่นเข้าด้วยกัน ในขณะที่โน้ตที่สูงจะมีความละเอียดสูงเกินไป ดนตรีไม่ได้ทำงานในลักษณะนั้น แต่ละอ็อกเทฟจะมีความถี่เป็นสองเท่า และเซมิโทนเป็นอัตราส่วนคงที่ ไม่ใช่จำนวนเฮิรตซ์คงที่ CQT แก้ไขปัญหานี้โดยรักษาอัตราส่วนของความถี่กลางต่อแบนด์วิธ ปัจจัยด้านคุณภาพ Q ให้คงที่ในทุกช่องสัญญาณ ความถี่ที่ต่ำกว่าจะได้รับกรอบเวลาการวิเคราะห์ที่ยาวขึ้น (ความละเอียดความถี่ที่ละเอียด) และความถี่ที่สูงกว่าจะได้รับกรอบเวลาที่สั้นลง (ความละเอียดของเวลาที่ละเอียด) ผลลัพธ์ที่ได้คือสเปกโตรแกรมโดยที่แถวหนึ่งตรงกับระดับเสียงดนตรีหนึ่งระดับ และคอร์ดเดียวกันนั้นดูเหมือนกันไม่ว่าจะเล่นในอ็อกเทฟใดก็ตาม คุณสมบัตินี้ทำให้ CQT เป็นส่วนหน้าที่เป็นธรรมชาติสำหรับการจดจำคอร์ด การถอดเสียง และการติดตามระดับเสียง
ข้อมูลเชิงลึกทางเทคนิค
ค่าคงที่ Q หมายถึงแบนด์วิดท์ของตัวกรองแต่ละตัวจะปรับขนาดตามความถี่กลาง ดังนั้นถังขยะทั้งหมดจึงมีช่วงค่าดนตรีเท่ากัน โดยทั่วไปแล้ว bins จะถูกวางไว้ที่ 12 หรือ 24 ต่ออ็อกเทฟเพื่อให้สอดคล้องกับเซมิโทนหรือควอเตอร์โทน เนื่องจากความยาวของหน้าต่างแตกต่างกันไปในแต่ละ bin การใช้งานที่มีประสิทธิภาพจึงใช้ FFT เดียวบวกเมทริกซ์เคอร์เนลแบบกระจาย แทนที่จะคำนวณแต่ละตัวกรองแยกกัน ซึ่งเป็นวิธีที่ไลบรารี เช่น librosa ทำให้ CQT รวดเร็ว
ผลกระทบเชิงกลยุทธ์
เข้าถึงและเข้าถึง
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
ต้นทุนและงบประมาณ
ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
ความเร็วและขนาด
ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น
อนาคตของการแปลง Constant-Q สำหรับเสียง
CQT ถูกนำมาใช้มากขึ้นเพื่อแสดงอินพุตสำหรับโมเดลดนตรีการเรียนรู้เชิงลึก เนื่องจากโครงสร้างที่จัดตำแหน่งระดับเสียงช่วยให้เครือข่ายแบบ Convolutional เรียนรู้คุณลักษณะการขนย้ายที่ไม่แปรเปลี่ยน คาดหวังการผสานรวมกับเสียงนิวรัลที่เข้มงวดยิ่งขึ้นในงานต่างๆ เช่น การถอดเสียงอัตโนมัติ การตรวจจับเพลงคัฟเวอร์ และการแยกแหล่งที่มา ส่วนหน้าแบบไฮบริดที่รวม CQT กับธนาคารตัวกรองที่เรียนรู้กำลังเกิดขึ้น และเลเยอร์ CQT ที่สร้างความแตกต่างได้ช่วยให้โมเดลปรับการแปลงร่วมกับเครือข่ายระหว่างการฝึกได้อย่างเหมาะสม
การใช้งานจริงในโลกแห่งความเป็นจริง
ระบบจดจำคอร์ดอัตโนมัติที่แมป CQT แต่ละถังกับคลาสระดับเสียงดนตรี
เครื่องมือถอดเสียงเพลงที่แปลงการบันทึกเปียโนเป็นโน้ตเพลงหรือ MIDI
การตรวจจับเพลงที่นำมาร้องและเพลงที่คล้ายคลึงกันซึ่งได้ประโยชน์จากคุณสมบัติที่ไม่แปรเปลี่ยนระดับแปดเสียง
ปลั๊กอินการเปลี่ยนระดับเสียงและการตรวจจับคีย์ในเวิร์กสเตชันเสียงดิจิทัล
ความเสี่ยงและรั้ว
การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน
แผนงานการดำเนินงาน
ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ
สำรวจต่อไป
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Constant-Q Transform for Audio quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
คำแนะนำต่อไป
การตรวจจับการโจมตีในเสียง
คำถามที่พบบ่อย
What is Constant-Q Transform for Audio?
การแปลงค่าคงที่คิว (CQT) คือการวิเคราะห์ความถี่ที่ใช้ช่องที่มีระยะห่างแบบลอการิทึมซึ่งตรงกับระดับเสียงดนตรี แทนที่จะเป็นช่องที่มีระยะห่างเท่ากันของการแปลงฟูริเยร์มาตรฐาน สิ่งสำคัญเพราะมันสะท้อนวิธีที่เรารับรู้ถึงระดับเสียงสูงต่ำ ทำให้เหมาะสำหรับการวิเคราะห์ดนตรีโดยที่โน้ตจะมีความถี่เป็นสองเท่าในแต่ละอ็อกเทฟ
ช่องความถี่มีระยะห่างอย่างไรใน Constant-Q Transform
CQT ใช้ช่องที่มีระยะห่างแบบลอการิทึม ดังนั้นแต่ละช่องจึงสอดคล้องกับช่วงระดับเสียงดนตรี ซึ่งแตกต่างจากระยะห่างเชิงเส้นของ FFT มาตรฐาน
'Q' ใน Constant-Q หมายถึงอะไร
Q คืออัตราส่วนของความถี่กลางของตัวกรองต่อแบนด์วิดท์ และ CQT จะรักษาอัตราส่วนนี้ให้คงที่ในถังขยะทั้งหมด
เหตุใด CQT จึงใช้หน้าต่างการวิเคราะห์ที่ยาวกว่าที่ความถี่ต่ำ
โน้ตดนตรีระดับต่ำอยู่ใกล้กันมากในหน่วยเฮิรตซ์สัมบูรณ์ หน้าต่างที่ยาวกว่าจึงให้ความละเอียดความถี่ละเอียดที่จำเป็นในการแยกโน้ตดนตรีออกจากกัน
CQT มีข้อได้เปรียบด้านการรับรู้ด้านดนตรีเหนือสเปกโตรแกรมเชิงเส้นอย่างไร
เนื่องจากถังขยะถูกเว้นระยะห่างตามอัตราส่วนระดับเสียงสูงต่ำ การย้ายคอร์ดขึ้นหนึ่งอ็อกเทฟเพียงแค่เปลี่ยนรูปแบบ ทำให้ค่าคงที่ของอ็อกเทฟ/การโยกย้ายมีประโยชน์สำหรับงานดนตรี
โดยทั่วไปจะใช้ CQT bins ต่ออ็อกเทฟกี่อันเพื่อจัดแนวเซมิโทน
สิบสองถังต่ออ็อกเทฟจัดแต่ละถังด้วยเซมิโทนของสเกลโครมาติกตะวันตก 24 bins ให้ความละเอียดควอเตอร์โทน