[发明专利]一种基于音色相似度的歌曲检索方法

权利要求书

1.一种基于音色相似度的歌曲检索方法，其特征在于，所述方法包括以下步骤：

步骤1，对音频库的所有S首样本歌曲进行预处理，去除歌曲中的静音部分。

步骤2，在步骤1删除静音段之后，提取音频库中每首歌曲剩余的有效音频帧的MFCC参数。

步骤3，在步骤2的基础上，为音频库的每首歌训练相应的GMM模型。

步骤4，对于给定的歌曲样本，首先对其进行GMM建模，进而与步骤3得到的模型库D中的每个模型进行匹配，完成歌曲检索。

2.根据权利要求1所述的方法，其特征在于，所述预处理的方法包括如下步骤：

步骤1，对音频进行分帧处理，具体方法为：

帧移长度选为半帧，窗函数选用哈明窗（Hamming Window），如下式所示。

式中α的取值根据系统部署时的实际情况来确定。

步骤2，计算短时能量，具体方法为：

En=Σm=-∞∞[x(m)w(n-m)]2=Σm=nn+N-1[x(m)w(n-m)]2]]>

公式中，n是第n个短时帧，x(m)表示第n个短时帧内第m个采样点信号值，N是窗长，可以在系统部署时根据实际应用具体确定，w(n)表示长度为N的窗函数。上式也可以改写为

En=Σm=-∞∞[x(m)w(n-m)]2=Σm=-∞∞x2(m)h(n-m)=x2(n)*h(n)]]>

上式中h(n)定义如下

h(n)＝w(n)²

步骤3，设定音频片段的长度为t，计算各音频片段的平均短时能量E_平m，及整个语音的平均短时能量E_平all。

式中，G为整首歌曲的音频帧数，g为t秒片段中包含的音频帧数。

步骤4，按照如下规则删除静音片段：

(1)当一个音频片段的能量低于某个阈值，就认为它是静音帧。

(2)当一个片段中的静音帧的比例超过阈值T_S时，就认为它是静音片段。

阈值的设定与当前声音的响度和频率有关系，响度高阈值就高，所以阈值的设定应随不同的音频片段而变化。为此，所提方法采用自适应的阈值T_E的判定方法：当音频帧的短时能量于一个3秒大小的滑动窗口内的平均短时能量的比值低于阈值T_R时，就认为是静音帧。