Yandex माइक्रोफोन संगीत को कैसे पहचानता है

संगीत कैटलॉग को खोजना एक ऐसा कार्य है, जिसे विभिन्न तरीकों से हल किया जा सकता है, दोनों उपयोगकर्ता के दृष्टिकोण से और तकनीकी रूप से। यांडेक्स ने गीत शीर्षक और गीत के बोल दोनों को खोजना काफी लंबा समय लिया है। हम आईओएस और एंड्रॉइड के लिए Yandex.Search में आवाज द्वारा किए गए संगीत प्रश्नों का उत्तर देने में भी सक्षम हैं, लेकिन आज हम एक माइक्रोफोन से रिकॉर्ड किए गए संगीत टुकड़े के द्वारा ऑडियो सिग्नल, और विशेष रूप से खोज करने पर ध्यान केंद्रित करेंगे। यह फ़ंक्शन Yandex.Music मोबाइल एप्लिकेशन में बनाया गया है:



दुनिया में केवल कुछ विशेष कंपनियां हैं जो पेशेवर रूप से संगीत पटरियों की मान्यता में लगी हुई हैं। जहां तक ​​हम जानते हैं, खोज कंपनियों Yandex इस कार्य में रूसी उपयोगकर्ता की मदद करने वाला पहला था। इस तथ्य के बावजूद कि हमारे पास अभी भी बहुत कुछ है, मान्यता की गुणवत्ता पहले से ही इस क्षेत्र में नेताओं के साथ तुलनीय है। इसके अलावा, ऑडियो विखंडन द्वारा संगीत की खोज, रनवे में सबसे तुच्छ और हल्का विषय नहीं है; हम आशा करते हैं कि कई लोग विवरण जानने के लिए उत्सुक होंगे।


तकनीकी रूप से, कार्य निम्नानुसार तैयार किया गया है: स्मार्टफोन पर रिकॉर्ड किए गए ऑडियो सिग्नल का दस-सेकंड का टुकड़ा (हम इसे एक अनुरोध कहते हैं) सर्वर पर आता है, जिसके बाद, जिन पटरियों के बीच हम जानते हैं, उनमें से ठीक एक टुकड़े को खोजने के लिए आवश्यक है। यदि टुकड़ा किसी भी ज्ञात ट्रैक में निहित नहीं है, साथ ही साथ अगर यह बिल्कुल भी संगीत रिकॉर्ड नहीं है, तो आपको "कुछ भी नहीं मिला" का जवाब देने की आवश्यकता है। सटीक मिलान के अभाव में ध्वनि में सबसे समान पटरियों का उत्तर देना आवश्यक नहीं है।

ट्रैक बेस

जैसा कि वेब खोज में, अच्छी तरह से खोज करने के लिए, आपके पास दस्तावेज़ों का एक बड़ा डेटाबेस (इस मामले में ट्रैक) होना आवश्यक है, और उन्हें सही ढंग से चिह्नित किया जाना चाहिए: प्रत्येक ट्रैक के लिए आपको नाम, कलाकार और एल्बम को जानना होगा। जैसा कि आप शायद पहले से ही अनुमान लगा चुके हैं, हमारे पास ऐसा आधार था। सबसे पहले, यह Yandex.Music में रिकॉर्ड की एक बड़ी संख्या है, आधिकारिक तौर पर सुनने के लिए कॉपीराइट धारकों द्वारा प्रदान की जाती है। दूसरे, हमने इंटरनेट पर पोस्ट किए गए संगीत ट्रैक्स के चयन को संकलित किया है। इसलिए हमें 6 मिलियन ट्रैक मिले हैं, जिनमें उपयोगकर्ता सबसे अधिक रुचि रखते हैं।

अप्रमाणिक दृष्टिकोण

पटरियों के साथ एक टुकड़े की तुलना करने का सबसे अच्छा तरीका क्या है? स्पष्ट रूप से अनुचित विकल्पों को तुरंत त्याग दें।

1. बिटवाइज तुलना । यहां तक ​​कि अगर आपको डिजिटल प्लेयर के ऑप्टिकल आउटपुट से सीधे सिग्नल मिलता है, तो अशुद्धि ट्रांसकोडिंग से उत्पन्न होगी। और संकेत के प्रसारण के दौरान, विकृति के कई अन्य स्रोत हैं: ध्वनि स्रोत का लाउडस्पीकर, कमरे का ध्वनिकी, माइक्रोफोन की असमान आवृत्ति प्रतिक्रिया , यहां तक ​​कि माइक्रोफोन से डिजिटलीकरण भी। यह सब भी एक फजी बिटवाइज़ तुलना को अनुपयुक्त बनाता है।
2. वॉटरमार्क । अगर यांडेक्स ने खुद संगीत जारी किया या रेडियो पर, कैफे और डिस्को में बजाई गई सभी रिकॉर्डिंग के रिलीज के लिए उत्पादन चक्र में भाग लिया, तो पटरियों में "वॉटरमार्क" का एक ध्वनि एनालॉग एम्बेड करना संभव होगा। ये लेबल मानव कान के लिए अदृश्य हैं, लेकिन एल्गोरिदम द्वारा आसानी से पहचाने जाते हैं।
3. स्पेक्ट्रोग्राम की गैर-सख्त तुलना। हमें कठोर तुलना करने का एक तरीका चाहिए। आइए मूल ट्रैक और रिकॉर्ड किए गए टुकड़े के स्पेक्ट्रोग्राम को देखें । छवियों के रूप में उन पर विचार करना काफी संभव है, और सबसे समान के लिए सभी ट्रैकों की छवियों के बीच खोज करें (उदाहरण के लिए, एल -जैसे प्रसिद्ध मेट्रिक्स में से एक का उपयोग करके वैक्टर के रूप में उनकी तुलना करना):
   
   लेकिन इस पद्धति को लागू करने में दो कठिनाइयाँ हैं "सिर पर":
   a) 6 मिलियन चित्रों के साथ तुलना - जाहिर है, एक महंगा ऑपरेशन। यहां तक ​​कि पूर्ण स्पेक्ट्रोग्राम का समन्वय, जो आम तौर पर संकेत के गुणों को संरक्षित करता है, कई मेगाबाइट को असम्पीडित डेटा देता है।
   बी) यह पता चला है कि कुछ मतभेद दूसरों की तुलना में अधिक खुलासा कर रहे हैं।

नतीजतन, प्रत्येक ट्रैक के लिए, हमें न्यूनतम विशेषता की सबसे कम संख्या की आवश्यकता होती है (यानी, संक्षेप में और ट्रैक का सटीक वर्णन) संकेत।

क्या संकेत विकृति से डरते नहीं हैं?

सिग्नल की स्रोत से माइक्रोफोन से डिजिटलीकरण तक शोर और विरूपण के कारण मुख्य समस्याएं उत्पन्न होती हैं। विभिन्न ट्रैक्स के लिए, आप मूल की तुलना अलग-अलग कृत्रिम शोर वाली स्थितियों में दर्ज किए गए टुकड़े से कर सकते हैं - और कई उदाहरणों से पता लगा सकते हैं कि कौन सी विशेषताएँ सर्वोत्तम संरक्षित हैं। यह पता चलता है कि स्पेक्ट्रोग्राम शिखर अच्छी तरह से काम करते हैं, एक तरह से या किसी अन्य पर प्रकाश डाला - उदाहरण के लिए, एक स्थानीय अधिकतम आयाम के बिंदुओं के रूप में। चोटियों की ऊंचाई उपयुक्त नहीं है (माइक्रोफोन की आवृत्ति प्रतिक्रिया उन्हें बदल देती है), लेकिन आवृत्ति-समय ग्रिड पर उनका स्थान शोर होने पर बहुत कम बदलता है। यह अवलोकन, एक रूप या किसी अन्य में, कई प्रसिद्ध समाधानों में उपयोग किया जाता है - उदाहरण के लिए, एकोप्रिंट में । औसतन प्रति ट्रैक लगभग 300 हज़ार चोटियाँ प्राप्त की जाती हैं - डेटा की यह मात्रा क्वेरी के पूर्ण स्पेक्ट्रोग्राम की तुलना में डेटाबेस में लाखों ट्रैक्स के साथ तुलना करने के लिए अधिक यथार्थवादी है।


लेकिन भले ही केवल शिखर स्थानों को लिया जाता है, क्वेरी और मूल के बीच कई चोटियों की पहचान एक खराब मानदंड है। हमारे द्वारा ज्ञात अंशों के एक बड़े प्रतिशत से, वह कुछ भी नहीं पाता है। कारण अनुरोध को रिकॉर्ड करने में त्रुटि है। शोर कुछ चोटियों को जोड़ता है, दूसरों को नम करता है; पूरे सिग्नल ट्रांसमिशन माध्यम की आवृत्ति प्रतिक्रिया भी शिखर आवृत्ति को स्थानांतरित कर सकती है। इसलिए हम कई चोटियों की गैर-कठोर तुलना में आते हैं।

हमें पूरे डेटाबेस में ट्रैक के सेगमेंट को खोजने की आवश्यकता है जो हमारी क्वेरी के समान है। वह है:

• सबसे पहले, प्रत्येक ट्रैक में, एक समय ऑफसेट प्राप्त करें जहां चोटियों की अधिकतम संख्या अनुरोध के साथ मेल खाती है;
• फिर सभी ट्रैक में से एक को चुनें जहां मैच सबसे बड़ा हो।

ऐसा करने के लिए, हम एक हिस्टोग्राम का निर्माण करते हैं: अनुरोध में और ट्रैक में मौजूद प्रत्येक चोटी की आवृत्ति के लिए, हम ऑफसेट पर वाई अक्ष के साथ +1 को स्थगित करते हैं जहां एक मैच था:

हिस्टोग्राम में उच्चतम कॉलम वाला ट्रैक सबसे अधिक प्रासंगिक परिणाम है - और इस कॉलम की ऊंचाई क्वेरी और दस्तावेज़ के बीच निकटता का एक उपाय है।

खोज सटीकता के लिए लड़ाई

अनुभव से पता चलता है कि यदि आप सभी चोटियों को समान रूप से खोजते हैं, तो हम अक्सर गलत ट्रैक ढूंढेंगे। लेकिन एक ही निकटता माप को न केवल दस्तावेज़ चोटियों के पूरे सेट पर लागू किया जा सकता है, बल्कि किसी भी सबसेट के लिए भी - उदाहरण के लिए, केवल सबसे अधिक प्रतिलिपि प्रस्तुत करने योग्य (विरूपण के प्रतिरोधी) के लिए। इसी समय, यह प्रत्येक हिस्टोग्राम के निर्माण को सस्ता बना देगा। इस तरह हम इस तरह की चोटियों को चुनते हैं।

समय चयन: सबसे पहले, एक ही आवृत्ति के अंदर, समय धुरी के साथ शुरुआत से अंत तक रिकॉर्डिंग के दौरान, हम एक काल्पनिक "ब्लेड ब्लेड" शुरू करते हैं। ब्लेड की वर्तमान स्थिति से अधिक होने वाले प्रत्येक शिखर का पता लगाने पर, यह "शीर्ष" को काट देता है - ब्लेड की स्थिति और हौसले से पहचाने गए शिखर की ऊंचाई के बीच का अंतर। फिर ब्लेड इस चोटी की मूल ऊंचाई तक बढ़ जाता है। यदि ब्लेड एक चोटी का "पता लगा" नहीं करता है, तो यह अपने वजन के नीचे थोड़ा गिरता है।


आवृत्तियों में विविधता: सबसे विविध आवृत्तियों को वरीयता देने के लिए, हम ब्लेड को न केवल अगली चोटी की आवृत्ति में बढ़ाते हैं, बल्कि इससे सटे आवृत्तियों में (कुछ हद तक)।

आवृत्ति का चयन: फिर, एक समय अंतराल के भीतर, सभी आवृत्तियों के बीच, हम सबसे विपरीत चोटियों का चयन करते हैं, अर्थात। कट "सबसे ऊपर" के बीच सबसे बड़ी स्थानीय मैक्सिमा।

चोटियों का चयन करते समय, कई पैरामीटर होते हैं: ब्लेड की कम गति, प्रत्येक समय अंतराल में चयनित चोटियों की संख्या, और पड़ोसियों पर चोटियों के प्रभाव का पड़ोस। और हमने उनमें से ऐसे संयोजन को चुना, जिसमें चोटियों की न्यूनतम संख्या बनी हुई है, लेकिन उनमें से लगभग सभी विरूपण के प्रतिरोधी हैं।

खोज त्वरण

इसलिए, हमने एक निकटता मीट्रिक पाया जो विरूपण के लिए अच्छी तरह से प्रतिरोधी है। यह अच्छी खोज सटीकता प्रदान करता है, लेकिन आपको यह भी सुनिश्चित करने की आवश्यकता है कि हमारी खोज उपयोगकर्ता को जल्दी से जवाब देती है। पहले आपको यह जानने की ज़रूरत है कि पटरियों की विस्तृत खोज से बचने के लिए मीट्रिक की गणना के लिए बहुत कम संख्या में उम्मीदवार ट्रैक का चयन कैसे करें।

चाबियों की विशिष्टता में सुधार : एक सूचकांक बना सकता है
→ (, ) ।
काश, संभावित आवृत्तियों का ऐसा "शब्दकोश" बहुत खराब है (256 "शब्द" - अंतराल जिसमें हम पूरी आवृत्ति को विभाजित करते हैं)। अधिकांश अनुरोधों में "शब्दों" का ऐसा सेट होता है, जो हमारे 6 मिलियन दस्तावेजों में पाया जाता है। अधिक भेदभावपूर्ण कुंजियों को ढूंढना आवश्यक है - जो कि प्रासंगिक दस्तावेजों में पाए जाने की संभावना है, और अप्रासंगिक लोगों में एक छोटे से के साथ।

इसके लिए, निकटवर्ती चोटियों के जोड़े अच्छी तरह से अनुकूल हैं। प्रत्येक जोड़ी बहुत कम आम है।
इस लाभ की एक कीमत है - विकृत संकेत में प्रजनन की कम संभावना। यदि व्यक्तिगत चोटियों के लिए यह औसत पी पर है, तो जोड़े के लिए यह पी ^{2 है} (यानी, स्पष्ट रूप से कम)। इसकी भरपाई के लिए, हम एक साथ कई जोड़ियों में प्रत्येक चोटी को शामिल करते हैं। यह सूचकांक के आकार को थोड़ा बढ़ाता है, लेकिन व्यर्थ में माना जाने वाले दस्तावेजों की संख्या को काफी कम कर देता है - परिमाण के लगभग 3 आदेशों द्वारा:



जोड़े की मदद से दस्तावेजों की एक छोटी संख्या का चयन करके, आप उनकी रैंकिंग के लिए आगे बढ़ सकते हैं। हिस्टोग्राम समान रूप से अच्छी तरह से चोटियों के जोड़े पर लागू किया जा सकता है, एक जोड़ी में दोनों आवृत्तियों के संयोग के साथ एक आवृत्ति के संयोग की जगह।

दो चरण की खोज : गणना की मात्रा को और कम करने के लिए, हमने खोज को दो चरणों में विभाजित किया है:

1. हम सबसे विपरीत चोटियों के एक बहुत विरल सेट पर पटरियों का प्रारंभिक चयन (छंटाई) करते हैं। चयन मापदंडों को चुना गया है ताकि दस्तावेजों की सीमा को यथासंभव कम किया जा सके, लेकिन उनके बीच सबसे अधिक प्रासंगिक परिणाम रखने के लिए।
2. सबसे अच्छा जवाब चयनित होने की गारंटी है - चयनित पटरियों के लिए, सटीक प्रासंगिकता को चोटियों के अधिक पूर्ण चयन के लिए माना जाता है, पहले से ही एक अलग संरचना के साथ सूचकांक के लिए:
   → ( , ) ।
   

इस तरह के दो-चरण ने खोज को 10 गुना तेज कर दिया। दिलचस्प बात यह है कि 80% मामलों में, पहले चरण में मोटे रैंकिंग का परिणाम दूसरे चरण में प्राप्त सबसे अधिक प्रासंगिक उत्तर के साथ मेल खाता है।

वर्णित सभी ऑप्टिमाइज़ेशन के परिणामस्वरूप, खोज के लिए आवश्यक संपूर्ण डेटाबेस स्वयं ट्रैक फ़ाइलों की तुलना में 15 गुना छोटा हो गया है।

मेमोरी में इंडेक्स : अंत में, प्रत्येक अनुरोध के लिए एक डिस्क तक पहुंचने के लिए इंतजार नहीं करने के लिए, पूरे इंडेक्स को रैम में स्थित है और कई सर्वरों में वितरित किया जाता है, जैसा कि एक टेराबाइट लेता है।

कुछ नहीं मिला?

ऐसा होता है कि अनुरोधित टुकड़े के लिए या तो हमारे डेटाबेस में कोई उपयुक्त ट्रैक नहीं है, या टुकड़ा किसी भी ट्रैक का रिकॉर्ड नहीं है। "कम से कम अनुचित" ट्रैक दिखाने के बजाय "कुछ भी नहीं मिला" का जवाब देने के लिए बेहतर है कि कैसे निर्णय लिया जाए? प्रासंगिकता की कुछ सीमा के अनुसार कटौती करना संभव नहीं है - अलग-अलग टुकड़ों के लिए सीमा कई बार भिन्न होती है, और सभी मामलों के लिए बस एक ही मूल्य नहीं होता है। लेकिन अगर आप चयनित दस्तावेजों को प्रासंगिकता से क्रमबद्ध करते हैं, तो इसके मूल्यों के वक्र का आकार एक अच्छा मानदंड देता है। यदि हम प्रासंगिक उत्तर जानते हैं, तो वक्र स्पष्ट रूप से प्रासंगिकता में तेज गिरावट (ड्रॉप) दिखाता है, और इसके विपरीत, एक कोमल वक्र बताता है कि कोई उपयुक्त ट्रैक नहीं मिला।

आगे क्या है

जैसा कि पहले ही उल्लेख किया गया है, हम एक लंबी यात्रा की शुरुआत में हैं। अध्ययन की पूरी श्रृंखला और सुधार खोज की गुणवत्ता में सुधार करने के लिए आगे हैं: उदाहरण के लिए, टेम्पो विरूपण और बढ़े हुए शोर के मामलों में। हम निश्चित रूप से सुविधाओं के अधिक विविध सेट का उपयोग करने के लिए मशीन लर्निंग को लागू करने की कोशिश करेंगे और स्वचालित रूप से उनमें से सबसे प्रभावी का चयन करेंगे।

इसके अलावा, हम वृद्धिशील मान्यता की योजना बनाते हैं, अर्थात्। खंड के पहले सेकंड में पहले से ही उत्तर दें।

अन्य संगीत ऑडियो खोज कार्य

संगीत में सूचना पुनर्प्राप्ति का क्षेत्र एक माइक्रोफ़ोन से टुकड़े के कार्य से समाप्त हो रहा है। "साफ" के साथ काम करना, शोर का संकेत जो केवल संपीड़न से गुजरा है, आपको संगीत के एक व्यापक संग्रह में डुप्लिकेट ट्रैक ढूंढने की अनुमति देता है, साथ ही संभावित कॉपीराइट उल्लंघन का पता लगाता है। और गलत मिलान और विभिन्न प्रकार की समानताओं की खोज एक पूरी दिशा है, जिसमें कवर संस्करण और रीमिक्स की खोज, सिफारिशें बनाने के लिए संगीत विशेषताओं (ताल, शैली, संगीतकार) का निष्कर्षण, साथ ही साहित्यिक चोरी भी शामिल है।

अलग-अलग, हम एक गाया मार्ग के लिए खोज के कार्य को उजागर करते हैं। यह, एक संगीत रिकॉर्ड के टुकड़े द्वारा मान्यता के विपरीत, एक मौलिक अलग दृष्टिकोण की आवश्यकता होती है: एक ऑडियो रिकॉर्डिंग के बजाय, एक नियम के रूप में, एक संगीत का प्रतिनिधित्व, और अक्सर एक अनुरोध, का उपयोग किया जाता है। इस तरह के समाधानों की सटीकता बहुत खराब हो जाती है (कम से कम क्वेरी बदलावों के अतुलनीय रूप से बड़े प्रसार के कारण), और इसलिए वे केवल सबसे लोकप्रिय कार्यों को अच्छी तरह से पहचानते हैं।

क्या पढ़ना है?

• एवरी वैंग: "एक औद्योगिक-शक्ति ऑडियो खोज एल्गोरिथ्म," प्रोक। 2003 संगीत सूचना पुनर्प्राप्ति पर ISMIR अंतर्राष्ट्रीय संगोष्ठी, बाल्टीमोर, एमडी, अक्टूबर। 2003. यह लेख पहली बार (जहाँ तक हम जानते हैं) स्पेक्ट्रामग्राम चोटियों और चोटियों के जोड़े को संकेत के रूप में उपयोग करने का प्रस्ताव है जो कि विशिष्ट सिग्नल विकृतियों के प्रतिरोधी हैं।
• डी। एलिस (2009): "रोबस्ट लैंडमार्क-आधारित ऑडियो फ़िंगरप्रिंटिंग । " यह काम चोटियों और उनके जोड़े के चयन के कार्यान्वयन का एक ठोस उदाहरण देता है "क्षय सीमा" (हमारे मुफ्त अनुवाद में, "एक गिरने वाला ब्लेड")।
• जाप हेत्समा, टन कल्कर (2002): "एक अत्यधिक मजबूत ऑडियो फिंगरप्रिंटिंग सिस्टम" । यह आलेख 32 बिट्स के साथ ऑडियो के लगातार ब्लॉक को एनकोड करने का प्रस्ताव करता है, प्रत्येक बिट अपनी आवृत्ति रेंज में ऊर्जा में बदलाव का वर्णन करता है। वर्णित दृष्टिकोण को एक ऑडियो सिग्नल के ब्लॉक के अनुक्रम के मनमाने ढंग से कोडिंग के मामले में आसानी से सामान्यीकृत किया जाता है।
• निक पामर: "ऑडियो फिंगरप्रिंटिंग एल्गोरिदम की समीक्षा और फिंगरप्रिंट पीढ़ी के लिए एक बहुआयामी दृष्टिकोण की तलाश । " इस पत्र में मुख्य रुचि वर्णित समस्या को हल करने के लिए मौजूदा दृष्टिकोणों की समीक्षा है। एक संभावित कार्यान्वयन के चरणों का भी वर्णन किया गया है।
• Shumeet Baluja, मिशेल कोवेल: "ऑडियो फ़िंगरप्रिंटिंग: कंप्यूटर विज़न और डेटा स्ट्रीम प्रसंस्करण का संयोजन । " Google पर सहकर्मियों द्वारा लिखे गए एक लेख में कंप्यूटर विज़न विधियों का उपयोग करते हुए तरंग-आधारित दृष्टिकोण का वर्णन किया गया है।
• अरुणन रामलिंगम, श्रीधर कृष्णन: "ऑडियो फ़िंगरप्रिंटिंग के लिए शॉर्ट टाइम फूरियर ट्रांसफॉर्म फीचर्स का उपयोग करके गॉसियन मिक्चर मॉडलिंग" (2005)। यह लेख विभिन्न विशेषताओं के शीर्ष पर गाऊसी मिश्रण मॉडल का उपयोग करते हुए एक ऑडियो अंश का वर्णन करने का प्रस्ताव करता है, जैसे कि शैनन की एन्ट्रापी, रेनी की एन्ट्रापी, वर्णक्रमीय सेंट्रोइड्स, छोटे पैमाने पर गुणांक, और अन्य। मान्यता गुणवत्ता के तुलनात्मक मूल्य दिए गए हैं।
• Dalibor Mitrovic, Matthias Zeppelzauer, क्रिश्चियन Breiteneder: "सामग्री-आधारित ऑडियो पुनर्प्राप्ति के लिए सुविधाएँ । " ऑडियो संकेतों पर सर्वेक्षण कार्य: उन्हें कैसे चुनना है, उनके पास क्या गुण होना चाहिए और कौन से मौजूद हैं।
• नतालिया मिरांडा, फैबियाना पिकाकोली: "ऑडियो पहचान की प्रक्रिया को गति देने के लिए GPU का उपयोग करना । " यह लेख हस्ताक्षर की गणना को गति देने के लिए GPU के उपयोग का सुझाव देता है।
• शुहेई हमावाकी, शिंटारो फन्सावा, जिरो कट्टो, हिरोमी इशिजाकी, केइचिरो होशी, यासुहिरो तकिशिमा: "विभिन्न बिट दर के साथ ऑडियो को एन्कोड करने के लिए रोबस्ट कंटेंट-आधारित म्यूजिक रिट्रीवल के लिए फ़ीचर विश्लेषण और सामान्यीकरण दृष्टिकोण। एमएमएम 2009: 298-309। लेख cepstral गुणांक (MFCC) पर आधारित ऑडियो सिग्नल की प्रस्तुति की मजबूती को बढ़ाने पर केंद्रित है। इसके लिए, cepstra normalization मेथड (CMN) का उपयोग किया जाता है।