音響指紋

音響指紋は、オーディオ信号から決定論的に生成される凝縮されたデジタル要約、デジタル指紋であり、オーディオサンプルを識別したり、音楽データベース内の類似アイテムをすばやく見つけたりするために使用できます 。^[1]

音響フィンガープリントの実際の用途には、歌、メロディー、曲、広告の識別、サウンド効果ライブラリの管理、ビデオ ファイルの識別などがあります。音響フィンガープリントを使用したメディア識別は、ラジオ放送、レコード、CD、ストリーミング メディア、ピアツーピアネットワークでの特定の音楽作品やパフォーマンスの使用を監視するために使用できます。この識別は、著作権コンプライアンス、ライセンス、およびその他の収益化スキーム で使用されています。

堅牢な音響指紋アルゴリズムは、オーディオの知覚特性を考慮する必要があります。2 つのファイルが人間の耳に同じように聞こえる場合、バイナリ表現がまったく異なっていても、音響指紋は一致するはずです。音響指紋は、データの小さな変化に敏感なハッシュ関数ではありません。音響指紋は、指紋が使用する特徴にとって重要でない小さな変化は許容されるという点で、人間の指紋に似ています。参照データベース内の別の指紋サンプルと正確に一致できる、汚れた人間の指紋の印象を想像してみてください。音響指紋も同様に機能します。

オーディオ フィンガープリントによってよく利用される知覚特性には、平均ゼロ交差率、推定テンポ、平均スペクトル、スペクトルの平坦性、一連の周波数帯域にわたる顕著なトーン、帯域幅などがあります。

ほとんどのオーディオ圧縮技術は、オーディオ ファイルのバイナリ エンコーディングに大幅な変更を加えますが、人間の耳による認識方法に大幅な影響を与えることはありません。堅牢な音響指紋があれば、オーディオ品質が大幅に低下した場合でも、圧縮後の録音を識別できます。ラジオ放送の監視に使用する場合、音響指紋はアナログ伝送アーティファクトの影響を受けない必要があります。

音声からシグネチャを生成することは、音による検索に不可欠です。一般的な手法の 1 つは、スペクトログラムと呼ばれる時間周波数グラフを作成することです。

あらゆるオーディオはスペクトログラムに変換できます。各オーディオは、時間の経過とともにセグメントに分割されます。場合によっては、隣接するセグメントが共通の時間境界を共有しますが、隣接するセグメントが重なることもあります。結果は、周波数と振幅 (強度) と時間というオーディオの 3 つの次元をプロットしたグラフになります。

Shazamのアルゴリズムは、スペクトログラム内でエネルギー含有量が高いピークがあるポイントを選択します。^[2]音声のピークに焦点を当てることで、バックグラウンド ノイズが音声識別に与える影響が大幅に軽減されます。Shazam は、周波数をキーとするハッシュ テーブルとしてフィンガープリント カタログを構築します。スペクトログラム内の単一のポイントをマークするのではなく、ピーク強度と 2 番目のアンカー ポイントのペアのポイントをマークします。^[3]そのため、データベース キーは単一の周波数ではなく、両方のポイントの周波数のハッシュです。これにより、ハッシュの衝突が少なくなり、ハッシュ テーブルのパフォーマンスが向上します。^[4]

2000年代後半、商業的な音響指紋採取会社が独自のアルゴリズムをめぐって不確実性を生み出していたとき、オープンデータサービスMusicBrainzの貢献者の一人であるLukáš LalinskýがオープンソースアルゴリズムChromaprintとそれを利用するAcoustIDサービスを開発しました。^[5] MusicBrainzは現在このサービスを利用しています。

• 自動コンテンツ認識
• デジタルビデオフィンガープリンティング
• 特徴抽出
• パーソンズコード
• 知覚ハッシュ
• 音で検索
• 音声認識

• オーディオ フィンガープリンティングのアルゴリズムのレビュー (P. Cano 他、マルチメディア信号処理に関する国際ワークショップ、米国バージン諸島、2002 年 12 月)
• ジョナサン・フット (ISS、シンガポール国立大学) による音楽とオーディオのコンテンツベースの検索。