АВТОМАТИЧНА ІДЕНТИФІКАЦІЯ МУЗИЧНИХ ІНСТРУМЕНТІВ

Анотація

У цій статті досліджується застосування перетворення Фур’є для автоматичного розпізнавання музичних інструментів в аудіозаписах. Зі
зростанням складності музичних композицій та потребою в ефективній класифікації аудіо дослідження зосереджується на вилученні детальних спектральних характеристик із звукових сигналів за допомогою швидкого перетворення Фур’є (FFT). Ці характеристики включають спектральний центроїд, ширину смуги пропускання, спад, швидкість перетину нуля та кепстральні коефіцієнти Mel-Frequency (MFCC), які представляють частотні характеристики різних інструментів. Вилучені характеристики обробляються та використовуються для навчання моделей машинного навчання. Зокрема, у статті оцінюється продуктивність двох алгоритмів класифікації: методу апроксимації найближчого сусіда (ANN) та методу опорних векторів (SVM). Моделі навчаються на наборі даних коротких записів на одному інструменті та тестуються на зразках зі змішаних інструментів для оцінки можливостей узагальнення. Експериментальні результати показують, що обидві моделі можуть ефективно класифікувати інструменти з високою точністю – понад 96 % у контрольованих середовищах. Однак точність знижується у складних поліфонічних записах через перекриття частот. У дослідженні також підкреслюється роль таких бібліотек як Librosa, Numpy та Scikit-learn для попередньої обробки та навчання моделей. Результати дослідження показують, що хоча запропонований підхід не ідеально підходить для визначення інструментів в оркестрах, він є дуже ефективним у класифікації сольних інструментів і може бути поширений на такі завдання, як розпізнавання жанрів. Майбутні дослідження можуть включати методи глибинного навчання та розділення джерел звуку для покращення продуктивності в поліфонічних умовах.