[发明专利]一种基于空耳文本的音乐检索方法

说明书

本发明公开了一种基于空耳文本的音乐检索方法，该方法首先将空耳文本进行罗马化的操作，使之变成一个同一标准的编码，随后采用了一个TextToHumming框架，该框架采用WaveNet作为声码器，并且在输入进WaveNet之前，通过一个编码器，捕获文本之间的高阶映射。通过该框架，通过将空耳的文本转换成相应的音乐哼唱片段。然后我们改进了现有的DTW算法，为DTW算法添加了浮动系数，使之更加适用通过空耳文本生成的哼唱音乐的检索。通过以上方法，解决了目前通过空耳寻找歌曲难度大的问题。

技术领域

本发明属于数据检索技术领域，特别涉及一种基于空耳文本的音乐检索方法。

背景技术

随着数字音乐的普及，在大型数字音乐数据库中搜索所需的音乐需要高效的索引和检索 工具。传统的音乐检索系统中，通常都有按照标题或者歌手检索音乐。在基于内容的音乐检 索系统中，歌唱/哼唱查询是一种具有代表性的方便、智能的方法。它可以用于根据用户哼唱 的音乐旋律检索没有歌手姓名和歌曲标题的音乐文件。但是由于找歌者的心理因素或者是歌 唱水平限制，歌唱/哼唱查询并不能满足找歌者的需求，反观在网络上存在着大量的找歌者通 过空耳文本来求助网络，寻找自己想要的歌曲。但是，除了找歌者刚好听过这首歌，几乎很 难从庞大的音乐数据库中查询相关曲目。故研究出一个通过空耳来寻找音乐的方法是非常有 必要的。

发明内容

本发明提供一种基于空耳文本的音乐检索方法，模型基于WaveNet声码器和DTW算法，主要解决找歌者的心理因素或者是歌唱水平限制，歌唱/哼唱查询并不能满 足找歌者的需求，反观在网络上存在着大量的找歌者通过空耳文本来求助网络， 寻找自己想要的歌曲。但是空耳文本的模糊性导致很难从庞大的音乐数据库中找 到该歌曲问题，本专利提供一种基于空耳文本的音乐检索方法，操作过程基于编码器和 WaveNet的TextToHumming框架，该框架由一个编码器和一个WaveNet声码器组成,具体步 骤如下，其特征在于：

1)将空耳文本进行罗马化的操作，使之变成一个同一标准的编码随后采用了一个TextToHumming框架，该框架采用WaveNet作为声码器，并且在输入进WaveNet之前，通 过一个编码器，捕获文本之间的高阶映射，通过该框架，通过将空耳的文本转换成相应的 音乐哼唱片段，具体算法流程如下：

11)获取空耳文本，如果空耳文本为统一标准，则不需要对该空耳文本进行处理，否 则将其进行罗马化处理，将其转换为拉丁字符；

12)通过对拉丁字符进行处理，转换成输入矩阵X；

13)对WaveNet的输出进行缩放，缩放采用μ-law压缩变换，将输出的波形 的值压缩至可接受的范围，设将输出值压缩至K，采用以下函数对输出进行压缩：

其中y_t为原本输出的一个分量，其范围为-1y_t＜1；

14)编码器采用KL loss作为损失函数，定义如下，设Y为原始输出，设Y'为预 测值，则损失函数的表达式为：

15)WaveNet声码器除了输入层的大小变为编码器的输出大小，网络的架构采 用WaveNet采用原始的架构和损失函数，即网络扩张率为2k，其中K表示网络 处于第几层，卷积核的大小为3.除此之外，每个残差层都包含一个ReLu非线 性激活函数；

16)将预测值通过μ-law逆变换转换为哼唱音频；

2)进行哼唱检索算法，为DTW算法添加了浮动系数，使之更加适用通过空耳文本生成的哼唱音乐的检索，具体算法流程如下：

21)假设D是一组音乐的时间序列的数据库，即D＝{X₁,X₂,...,X_N}，其中N为该 音乐数据库的大小；