[论文阅读] Singing Voice Timbre Classification of Chinese Popular Music

前言

这是2013年发表在ICASSP上的Singing voice timbre classification of Chinese popular music，有点老了，今早没事翻阅文档时发现了，题目吸引了我：中国流行音色的歌声音色分类。因为我做的也是歌声音色方面的内容，所以花了一个小时看了全文，又花了一个小时有了此文。

搜了一下本文关键词：singing voice timbre可见从02年到17年只有寥寥数篇文章，可见作者当时的研究是比较前沿的。

概述

本文目的是对歌声音色进行分类，作者自建了歌声数据集，专家标注六种音色标签，一段歌声可能同时具有多个标签，是一个多标签分类问题，使用SVM分类器进行分类。和通常的机器学习流程一样，本文先对歌声进行预处理，具体包括“歌声检测”和“歌声分离”，然后在提取不同的特征输入到SVM分类器，通过分类精度评估使用的预处理方法和特征的好坏。

背景

专家标注的六种音色标签

实验

歌声片段检测和歌声分离

歌声中会有停顿或者纯伴奏声音，歌声检测就检测出歌声中纯人声的片段，歌声分离就是将人声和伴奏剥离开来。作者先利用卡拉OK音乐训练一个人声/非人声二分类器，然后将其用到自己的数据集上。

卡拉OK音乐是双轨道音乐，一个轨道是歌声+伴奏（s+m’），另一个轨道是纯伴奏(m)，因为m’和m比较相似，作者采用最小二乘法从s+m’中提取出s，这样就是纯人声了。有了s和m就可以训练一个SVM二分类器了。

作者研究音色用的数据集不是卡拉OK音乐，是我们普通人所接触的音乐，只有一个轨道，所以先用上述的歌声检测模型检测出歌声片段，然后在使用歌声分离（RPCA）的方法获得纯净的人声部分。

作者给出了不同预处理方法下的分类精度，可见先歌声检测在歌声分离效果最好。

特征提取

作者分别提取了通用的音频特征（平均能量，响度，过零率），歌声特征（音高，音质）和音乐特征（旋律，声调）

分类

比较不同的特征组合下的分类精度。CFS代表不同特征按权重组合，具体什么权重，文中未提。

小结

本文提出的歌声音色分类，数据集可以在这里获得。歌声音色分类和歌手分类是有区别的，因为歌手在演唱歌曲时不同的演唱方式能够产生差别很大的音色。所以本文在标注数据的时候不是按歌手，而是按照专家的音乐片段的评估，即不同的歌手演唱的不同的音乐可能有相同的音色标签。歌手分类就很好理解，是一个普通的分类问题，一段歌曲是哪个歌手唱的就属于哪类。本文提出的音色标签也很有价值，因为数据集是公开的，可以利用深度学习设计音色分类，情感识别和音乐推荐等实验。