So sánh hai phương pháp trích chọn đặc trưng âm thanh: Đường bao phổ (MFCC) và cao độ pitch trong việc tìm kiếm âm nhạc theo nội dung

uyển của cường 
độ phổ của những đoạn tín hiệu âm thanh, vì 
vậy nó là công cụ mạnh khi có những thay 
đổi nhỏ trong giai điệu hoặc kiểu phối nhạc. 
MFCC có nhiều đặc trưng vượt trội khi sử 
dụng để nhận dạng tiếng nói theo thời gian. 
Mỗi bước của quá trình tạo các đặc trưng 
MFCC được thực hiện bằng hệ thống cảm 
thụ âm thanh của con người. Tức là những gì 
không liên quan có thể bỏ đi khỏi cơ sở dữ 
liệu gốc dựa trên quá trình cảm thụ âm thanh 
dạng sóng của con người, và tiếp theo là yêu 
cầu giảm kích thước dữ liệu và tăng tốc độ 
tính toán. 
Quá trình lọc theo thang Mel Cepstral: 
Theo Beth Logan, MFCC gồm 5 bước: 
1. Chia tín hiệu thành các khung 
2. Với mỗi khung, ta thu được biên độ phổ. 
3. Lấy log của biên độ 
4. Chuyển đổi sang thang Mel 
5. Thực hiện biến đổi Cosine rời rạc. 
Phùng Thị Thu Hiền và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 112(12)/2: 33 - 38
36 
Hình 4: Quá trình tạo các đặc tính MFCC 
Quan sát quá trình trên ta thấy, âm thanh 
được chia thành những khung có độ dài cố 
định. Mục đích là để lấy mẫu những đoạn tín 
hiệu nhỏ (theo lý thuyết là ổn định). Hàm cửa 
sổ bỏ đi những hiệu ứng phụ và vector đặc 
trưng cepstral được thực hiện trên mỗi khung 
cửa sổ. Biến đổi Fourier rời rạc của mỗi 
khung được tính toán và lấy logarithm biên 
độ phổ. Thông tin về pha bị bỏ qua do biên độ 
phổ là quan trọng hơn pha. Thực hiện lấy 
logarithm biên độ phổ do âm lượng của tín 
hiệu là xấp xỉ logarith. Tiếp theo biến đổi phổ 
theo thang Mel. Từ kết quả này, trong vector 
Mel – spectral của các thành phần tương quan 
cao, bước cuối cùng là thực hiện biến đổi 
cosine rời rạc để tổng hợp vector phổ Mel để 
tương quan lại các thành phần này 
Độ lệch tần số Mel 
Độ lệch tần số Mel làm nhẵn phổ và làm nổi 
lên các tần số cảm thụ có nghĩa. Biến đổi 
Fourier lên tín hiệu qua bộ lọc thông dải để 
làm đơn giản phổ mà không làm mất dữ liệu. 
Điều này được thực hiện bằng cách tập hợp 
các thành phần phổ thành một dải tần số. Phổ 
được làm đơn giản hóa do sử dụng một giàn 
bộ lọc để tách phổ thành các kênh. Các bộ lọc 
được đặt cách đều nhau trên thang Mel và lấy 
logarit trên thang tần số, các kênh có tần số 
thấp là không gian tuyến tính trong khi các 
kênh có tần số cao là không gian logarit. 
Tai người không cảm nhận sự thay đổi tần số 
của tiếng nói tuyến tính mà theo thang mel. 
Thang tần số Mel tuyến tính ở tần số dưới 
1kHz và logarit ở tần số cao hơn 1kHz. Ta 
chọn tần số 1kHz, 40 dB trên ngưỡng nghe 
1000 Mel. Do đó công thức gần đúng biểu 
diễn quan hệ tần số ở thang mel và thang 
tuyến tính như sau: 
Một phương pháp để chuyển đổi sang thang 
mel là sử dụng băng lọc. Khoảng cách của 
băng lọc được định nghĩa bởi một hằng số tần 
số mel theo thời gian. Băng lọc này được áp 
dụng trong miền tần số, nó có thể xem như 
các điểm thu được của bộ lọc chính. Với các 
khung nhỏ tốt nhất là sử dụng các bộ lọc dạng 
tam giác hoặc thậm chí hình chữ nhật vì độ 
phân giải là quá thấp trong miền tần số thấp. 
Hình 5: Băng lọc khoảng cách theo tần số Mel 
Mỗi bộ lọc trong băng lọc được nhân với phổ 
tín hiệu vì vậy chỉ có một giá trị đơn của 
cường độ trên bộ lọc được trả lại. Điều này có 
thể đạt được qua các tính toán của ma trận 
đơn. Kết quả là tổng của biên độ trong dải lọc 
và vì vậy làm giảm độ chính xác tới mức tai 
của con người. 
Hình 6: Phổ sau khi lọc theo thang Mel 
Quá trình độ lệch tần số mel được thực hiện 
theo ba bước sau: 
1. Cố định vùng giá trị dưới mỗi bộ lọc và 
đôi khi đưa thang về 1. Đặt M = số băng lọc 
yêu cầu 
2. Phân bố đều trên thang tần số Mel 
3. Chuyển đổi từ Hz sang si'ω trên thang 
tuyến tính. Mối quan hệ giữa mel và frq được 
cho bởi công thức: 
 m=ln(1+f/700)*1000/ln(1+1000/700) (4) (5) 
Phùng Thị Thu Hiền và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 112(12)/2: 33 - 38
37 
KẾT QUẢ THỰC NGHIỆM 
Sử dụng F0 
Chuẩn bị dữ liệu 
Dữ liệu bao gồm 20 bài hát thiếu nhi nổi tiếng 
thế giới  
childSong4public/QBSH-corpus/. 
Trong các cấu trúc file âm thanh thì MIDI là 
định dạng file đơn giản, kích cỡ nhỏ gọn 
nhưng vẫn biểu diễn được giai điệu âm 
nhạc.Trong bước huấn luyện, chương trình sử 
dụng 20 bản nhạc định dạng MIDI. Khi tìm 
kiếm chương trình thử nghiệm trên 20 file âm 
thanh PCM Wave tần số lấy mẫu 8 KHz, mã 
hóa 8 bít / mẫu, thu từ các điệu ngân nga 
không lời (humming) hoặc các đoạn hát 
không nhạc (singing) với giai điệu tương ứng 
với 45 bản nhạc MIDI đã huấn luyện. 
Các tham số thực nghiệm 
Cao độ Pitch được tính theo phương pháp tự 
tương quan ACF (AutoCorrelation Function) 
với các tham số: kích cỡ khung là 256 ms, 
không chồng lấp. Sau khi tính Pitch bằng hàm 
ACF, pitch được làm trơn bằng lọc trung vị. 
Phương pháp phân lớp sử dụng thuật toán thời 
gian động DTW tiến hành so sánh chuỗi Pitch 
đầu vào cần tìm kiếm tính từ file Wave với lần 
lượt các chuỗi Pitch của các file MIDI trong cơ 
sở dữ liệu. Thuật toán thời gian động cho phép 
so sánh 2 chuỗi Pitch có độ dài khác nhau với 
sai số nhỏ nhất. Độ tương tự của 2 chuỗi pitch 
sau đó được tính toán bằng khoảng cách Euclid 
để tìm ra chuỗi phù hợp nhất. 
Sử dụng MFCC 
Chuẩn bị dữ liệu 
Vẫn sử dụng dữ liệu trên nhưng được lưu ở 
định dạng PCM wave, tần số lấy mẫu 44 
KHz, mã hóa 16 bit trên một mẫu. Mỗi bài 
hát được trích ra một đoạn ngắn < 5 s sử dụng 
làm mẫu tìm kiếm. 
Các tham số thực nghiệm 
Đặc trưng MFCC được cài đặt với các tham 
số sau : Kích cỡ khung là 512 ms, không sử 
dụng khung chồng lấp, số bộ lọc trong dãy 
băng lọc Mel là 20, số hệ số Ceptral là 12, 
không sử dụng các hệ số đạo hàm Delta, kết 
hợp các hệ số MFCC với 1 hệ số năng lượng. 
Giống như Beth Logan [8], phân lớp bằng 
cách phân hệ số cepstral thành 16 cụm theo 
thuật toán K-means chuẩn. Sử dụng khoảng 
cách Euclidean để tính toán độ tương tự. 
Kết quả thực nghiệm và đánh giá 
Trong cả 2 chương trình thử nghiệm, kết quả 
nhận dạng đúng cuối cùng sau 20 lần thử 
nghiệm đều là 100%. Kết quả này cao hơn kết 
quả đã công bố trong [8] và [4] dù dùng cùng 
thuật toán. Lý do có thể do chương trình 
demo mới thử nghiệm trên bộ cơ sở dữ liệu 
rất nhỏ. Hơn nữa độ dài âm thanh đầu vào 
(trích 1 đoạn từ file âm thanh cần tìm kiếm) 
đủ lớn (so với âm thanh tìm kiếm) trong 
chương trình thử nghiệm 1, độ dài âm thanh 
đầu vào và âm thanh cần tìm kiếm đều là cả 
bài hát trong chương trình thử nghiệm 2. Tỷ 
lệ nhận dạng sẽ giảm xuống khi dùng cơ sở 
dữ liệu lớn hơn (đặc biệt khi trong cơ sở dữ 
liệu có các bài hát có những phần tương tự 
nhau), tỷ lệ nhận dạng và tìm kiếm đúng cũng 
sẽ giảm xuống khi độ dài mẫu âm thanh đầu 
vào là nhỏ. 
Về mặt thời gian, chương trình 1 thực hiện 
huấn luyện và sau đó tìm kiếm hết ~ 4 s với 
một bài hát, chương trình 2 thực hiện tìm 
kiếm cho mỗi file Wave trong khoảng 0.2 s 
với điều kiện đã huấn luyện trước. 
Hình 7: Kết quả chạy chương trình 
Với thử nghiệm trên cả hai phương pháp đều 
cho kết quả tốt. Tuy nhiên, phương pháp 
MFCC tốt hơn khi dữ liệu được trích ra từ 
chính bài hát của tác giả. Còn phương pháp 
cao độ pitch có thể nhận diện được khi đoạn 
dữ liệu tìm kiếm có thể là một tiếng sáo, tiếng 
nhạc hoặc giai điệu của bài hát. 
Phùng Thị Thu Hiền và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 112(12)/2: 33 - 38
38 
Do đó, với các ứng dụng yêu cầu độ chính xác 
cao mà dữ liệu nhỏ hơn ta có thể áp dụng 
phương pháp MFCC rất tốt còn trong trường 
hợp khi bộ dữ liệu lớn, mà đoạn dữ liệu tìm 
kiếm có thể chỉ là một đoạn là giai điệu của bài 
hát ta có thể áp dụng phương pháp cao độ Pitch. 
KẾT LUẬN 
Để kết quả thực nghiệm chính xác hơn, cần 
xây dựng một cơ sở dữ liệu âm nhạc đủ lớn 
để thử nghiệm. Từ đó sẽ đánh giá được độ 
chính xác, hiệu quả của các phương pháp tìm 
kiếm và có thể đề xuất các phương pháp cải 
tiến thao tác trích đặc trưng và phân lớp của 
hệ thống tìm kiếm. 
Hướng nghiên cứu tiếp theo sẽ là tìm hiểu sâu 
hơn về các phương pháp phân lớp dữ liệu như 
mạng Neural, giải thuật di truyền GA, mô 
hình Markov ẩn HMM, 
TÀI LIỆU THAM KHẢO 
[1]. Phùng Thị Thu Hiền, “Trích chọn đặc trưng 
âm thanh trong bài toán tìm kiếm âm nhạc theo 
nội dung”, Luận văn thạc sỹ Công nghệ thông tin, 
Đại học Thái Nguyên, 12/2009. 
[2]. Phùng Thị Thu Hiền, Thái Quang Vinh, 
Phùng Trung Nghĩa, Lê Tuấn Anh (2009), “Tìm 
kiếm âm nhạc theo nội dung sử dụng đặc trưng 
tần số cơ bản F0 và giải thuật thời gian động 
DTW”, Tạp chí Khoa học & Công nghệ ISSN, 
1859 – 2171, T55 – 59. 
[3]. Beth Logan and Ariel Salomon (2002), “A 
Music Similarity Function Based on Signal 
Analysis”, Cambridge Research Laboratory. 
[4]. S.Blackburn and D. De Roure (1998), “A tool 
for content based navigation of music”, in ACM 
Multimedia. 
[5]. R. Mc Nab, L. Smith, I. Witten, C.Henderson, 
and S.Cunningham (1996), “Towards the digital 
music library: Tune retrieval from acoustic input,” 
in Digital Libraries, pp.11-18 
[6]. Beth Logan and Stephen Chu (2000), “Music 
Summarization Using Key Phrases”, Cambridge 
Research Laboratories. 
[7]. J.T. Foote (1997), “Content-based retrieval 
of Music and Audio,” in SPIE, p.p 138- 147 
SUMMARY 
COMPARING TWO METHOD: SPECTRAL ENVELOPE FEATURE (MFCC) 
AND PITCH IN CONTEND – BASED MUSIC RETRIEVAL 
Phung Thi Thu Hien1*, Doan Xuan Ngoc2, Phung Trung Nghia3 
1College of Technology – TNU 
2Department of Tax – Thai Nguyen province 
3College of Information Communication and Technology 
In state of the art approaches, feature vectors of music signal are built based on their physical 
characteristics as volume, energy, and spectrum. There are many methods to extract feature in 
contend – based music retrieval. Spectral Envelope Feature and Pitch method are Two popular 
methods. This paper presens and compares these methods. 
Key words: Feature Vector, Mel Cepstral, K-means, F0, pitch, DTW. 
Phản biện khoa học: TS. Vũ Việt Vũ – Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên 
*
 Tel: 0986060545; Email: pthientng@gmail.com