基于時-頻分析的歌聲分離.pdf

1、為實現(xiàn)對大型在線音樂數(shù)據(jù)進(jìn)行自動分析、組織和檢索，樂音分離在近幾年越來越受到人們的關(guān)注。非立體聲分離是希望從單一聲道的多音音樂中恢復(fù)出每一個聲源/樂器聲線，這是一個非常具有挑戰(zhàn)性的問題。而本文要研究的是歌聲分離，也就是從單一聲道的多音音樂中將歌唱聲分離出來，并且能達(dá)到較好的分離效果。概括地說，現(xiàn)有的非立體聲樂音分離系統(tǒng)都是基于傳統(tǒng)的信號處理技術(shù)（主要是正弦模型），統(tǒng)計技術(shù)（如稀疏編碼和非負(fù)矩陣分解），或者基于心理聲學(xué)的研究（計算聽覺場景

2、分析，CASA）。 音樂信號是一種典型的非平穩(wěn)信號，因此對于分析音樂信號，時—頻（T—F）分析方法是有效的。T—F分析方法是非平穩(wěn)信號處理的一個重要分支，它是利用時間和頻率的聯(lián)合函數(shù)來表示非平穩(wěn)信號，并對其進(jìn)行分析和處理。T—F分析方法按照T—F聯(lián)合函數(shù)的不同可以分為線性和非線性兩種。常見的線性T—F表示主要有短時傅立葉變換（STFT）、Gabor展開以及小波變換等。非線性T—F方法主要有Wigner—Ville分布（WVD）和

3、Cohen類。此外，聽覺濾波器也逐漸成為對信號進(jìn)行T—F分析的重要方式。 CASA研究的主要目標(biāo)是分析一個聽覺場景，并識別場景中的各種聲音。我們也是根據(jù)CASA的思想建立了基于T—F分析的歌聲分離系統(tǒng)。該分離系統(tǒng)由四個模塊組成：T—F分解、主音高檢測、歌聲T—F信息的提取和歌聲的合成。在T—F分解階段我們采用了STFT和Gammatone濾波器兩種T—F分析技術(shù)，由此設(shè)計出兩種分離方法?；赟TFT的歌聲分離系統(tǒng)，在T—F分解

4、階段是利用STFT將輸入的時域信號變換到T—F域。經(jīng)過這樣的處理，信號的頻譜具有隨時間變化的特點?；贕ammatone濾波器的歌聲分離系統(tǒng)，是利用一個Gammatone濾波器組將輸入信號分解成多個頻帶的時域信號，然后將每個濾波器的輸出劃分為重疊的幀。兩種方法的主音高的檢測模塊是一致的。雖然基音提取的方法有很多，但是大多數(shù)樂音信號是多音信號，所以想要從多音信號中提取出歌聲的音高相當(dāng)困難。而我們利用樂音的諧波特性進(jìn)行音高的提取。第三階段是