音樂人聲分離

音樂人聲分離除了可以運用在普羅大眾的卡拉OK系統，對於學術方面也有相當重要的價值。將人聲獨立出來，可以做為歌詞辨識、歌手辨識、音樂情緒辨識等相關研究的基礎。目前市面上的消除人聲軟件仍然無法達到完全去除人聲。音樂人聲分離主要有兩個步驟:

人聲偵測
人聲分離

人聲偵測原理

在確實進行音樂與人聲分離之前，必須先找出音樂中具有人聲的片段。就單聲道的音樂來說，一個聲道只具有配樂，此處將配樂資訊假定為 ${\begin{smallmatrix}m_{t}\end{smallmatrix}}$ ，而另一個聲道混合了人聲與配樂，將人聲設為 ${\begin{smallmatrix}s_{t}\end{smallmatrix}}$ 而配樂設為 ${\begin{smallmatrix}m_{t}^{\prime }\end{smallmatrix}}$ ，另一聲道為 ${\begin{smallmatrix}c=m_{t}^{\prime }+s_{t}\end{smallmatrix}}$ 。由於m與 ${\begin{smallmatrix}m_{t}^{\prime }\end{smallmatrix}}$ 通常極為相似，利用最小均方演算法(least mean square algorithm)，將聲音從 ${\begin{smallmatrix}c=m_{t}^{\prime }+s_{t}\end{smallmatrix}}$ 中分離出來，此處將分離出的人聲定為 ${\begin{smallmatrix}s_{t}^{\prime }\end{smallmatrix}}$ 。假設 ${\begin{smallmatrix}m_{t}^{\prime }=a_{t}+m_{t+bt}\end{smallmatrix}}$
解下列方程式:
$min_{a_{t},b_{t}}E\left\{\mid m_{t}^{\prime }-a_{t}*m_{t+bt}\mid ^{2}\right\}=min_{a_{t},b_{t}}E\left\{\mid s_{t}+m_{t}^{\prime }-a_{t}*m_{t+bt}\mid ^{2}\right\}$
${\begin{smallmatrix}where-B\leqslant b_{t}\leqslant B\end{smallmatrix}}$

除此之外，亦可以將歌曲切割成許多重疊的小片段，對每個小片段抽取音樂特徵，此處只需要關注梅爾倒頻譜(MFCC)。梅爾倒頻譜廣泛被應用在語音辨識領域之中，由於梅爾倒頻譜的頻帶分析是根據人耳聽覺特性設計。因為人耳對頻率的分辨是由頻率的比值決定，不同於倒頻譜對訊號在頻譜上的值取對數，梅爾倒頻譜是對訊號的能量取對數，因此比倒頻譜更接近人耳對聲音的分析特性。

接着，利用偵測的結果，可以利用機器學習，如Support Vector Machine，訓練出一個能夠預測出某一個音樂片段是否包含人聲的模型。是真的嗎？

人聲分離原理

藉由利用人聲偵測的結果，找出音樂中具有人聲的部分，使用Robust principle component analysis(RPCA)將人聲與配樂加以分離。分離的步驟為:

計算歌曲的N-point short-time Fourier Transform(STFT)，得到光譜圖(spectrogram) ${\begin{smallmatrix}X=Me^{j*p}\end{smallmatrix}}$ 。此處 ${\begin{smallmatrix}M\in R^{f*t}\end{smallmatrix}}$ 為強度，而 ${\begin{smallmatrix}P\in R^{f*t}\end{smallmatrix}}$ 為相位。
根據RPCA，將矩陣M分解成低階(low-rank)的矩陣L，以及一個稀疏(sparse)的矩陣S。其原因是，樂器的聲音叫人聲固定，且伴奏通常具有重複的音樂架構，因此將其視為低階的訊號。而人聲的變化較大，相較於伴奏為高階訊號，不論是在時域(time domain)及頻域(frequency domain)皆具有較大的稀疏性。因此所得的矩陣S將大部分由人聲所組成，矩陣L大都由背景音樂組成。

分解方法是解下列方程式:
$min_{M=L+S}\mid \mid L\mid \mid _{*}+\lambda \mid \mid L\mid \mid _{1}$
其中
${\begin{smallmatrix}\mid \mid .\mid \mid _{*}:nuclearnorm\end{smallmatrix}}$
${\begin{smallmatrix}\mid \mid L\mid \mid _{1}:l_{1}norm\end{smallmatrix}}$

inverse-STFT(ISTFT)

由於得到的矩陣L與S是在頻域(frequency domain)之上，最後需要對矩陣做inverse-STFT，方能真正得到結果。

參考文獻

P. S. Huang, S. D. Chen, P. Smaragdis, and M. Hasegawa-Johnson, "Singing-voice separation from monaural recordings using robust principal component analysis," in Proc. IEEE Int. Conf. Acoustics, Speech, & Signal Proc., pp. 57-60, 2012.
H. M. Yu, W. H. Tsai, and H. M. Wang, "A query-by-singing system for retrieving karaoke music," IEEE Trans. Multimedia, vol. 10, pp. 1626–1637, 2008
M. Rocamora and P. Herrera, "Comparing audio descriptors for singing voice detection in music audio files," in Brazilian Symposium on Computer Music, 11th. San Pablo, Brazil, 2007