HOLO - संगीत विश्लेषण प्रणाली - संस्करण 2

परिचय

एक साल से भी कम समय पहले मैंने एक कार्यक्रम के बारे में Habré पर एक लेख लिखा था जिसे मैं विकसित कर रहा हूं , जिसे HOLO कहा जाता है।
संक्षेप में, कार्यक्रम आपके संगीत संग्रह के लिए "सुनता है" और फिर आपको एकत्र किए गए डेटा की सरणी की दृष्टि से जांच करने की अनुमति देता है, साथ ही दी गई नमूना रचनाओं के समान प्लेलिस्ट भी संकलित करता है।
सकारात्मक समीक्षाओं ने हमें उत्साह बनाए रखने की अनुमति दी। एक व्यक्ति ने भी संपर्क किया, जिसने .NET WinForms से WPF में आवेदन को फिर से लिखने का प्रयास किया, लेकिन कुछ मध्यवर्ती सफलताओं के बाद वह अचानक दृष्टि से गायब हो गया। मैं उसे दोष नहीं देता, क्योंकि मैं समझता हूं कि परियोजना सामग्री में काफी कठिन है, और मुख्य कार्य के लिए एक प्रोग्रामर होने के नाते, HOLO को पर्याप्त समय देना मुश्किल था।
फिर भी, मैंने खुद नए संस्करण को जारी करने में देरी की है, लेकिन इस पर प्रतिबंध लगाने वाले आलस्य की तुलना में अधिक सकारात्मक कारण हैं।

अवसरों

आम तौर पर, ध्वनि धारणा के मनोविज्ञान के दृष्टिकोण से, कार्य बहुत व्यक्तिपरक है। प्रत्येक व्यक्ति अपने तरीके से मूल्यांकन करेगा कि क्या Zhanna Aguzarova और Zemfira, Led Zeppelin और Iron Maiden, System of a Down और Metallica समान हैं। लेकिन अपने और मेरे दोस्तों पर गहन परीक्षण से पता चला कि कुछ चीजें अभी भी संख्या में व्यक्त की जा सकती हैं। कुछ शैलियों के लिए संगीत बेहतर है, कुछ बदतर के लिए।



तो, इस समय, HOLO (संगीत समामेलन प्रणाली) निम्नलिखित कार्य कर सकती है:

उपयोगकर्ता के कंप्यूटर पर संगीत के बारे में जानकारी इकट्ठा करना

पिछले संस्करण के सापेक्ष, फाइलों के यांत्रिक प्रसंस्करण और ध्वनि के सांख्यिकीय प्रसंस्करण दोनों के एल्गोरिदम को काफी संशोधित किया गया है। विशेष रूप से, समानांतर में कई धाराओं में फ़ाइलों को संसाधित करना संभव हो गया।
सांख्यिकीय प्रसंस्करण, संक्षेप में, अब इस तरह दिखता है:
1) एक पैरामीटर की लंबाई का एक टुकड़ा फ़ाइल से निकाला जाता है, जो कुल लंबाई का 20% से शुरू होता है।
2) एक टुकड़े को ओवरलैप के पैरामीटर प्रतिशत के साथ एक पैरामीटर संख्या में काटा जाता है।
3) टुकड़ों को एफएफटी-प्रारूप में बदल दिया जाता है, चिकना और साफ किया जाता है;
4) पूर्व-तैयार "सेंट्रोइड्स" के एक निश्चित सेट के बाद, इन सेंट्रोइड्स में से प्रत्येक को प्रत्येक टुकड़े की दूरी का अनुमान है। सेंट्रोइड्स 4096/44100 सेकंड लंबे ध्वनि के विशेष रूप से चयनित टुकड़ों के स्पेक्ट्रोग्राम हैं।


5) सेंट्रोइड्स के लिए दूरी की अस्थायी गतिशीलता सेंट्रोइड्स के बीच रचना की ध्वनि के टुकड़ों के संक्रमण मैट्रिक्स में कम से कम होती है। उदाहरण के लिए, यदि ध्वनि लंबे समय तक नहीं बदलती (निकटतम सेंट्रोइड की दूरी के भीतर), तो संक्रमण मैट्रिक्स के विकर्ण सेल में मूल्य बड़ा होगा;
6) संक्रमण मैट्रिक्स सांख्यिकीय प्रसंस्करण का परिणाम है।

डेटाबेस में परिणाम एकत्रित करना

कोई बदलाव नहीं हुआ। पहले की तरह, SQLite देश की भलाई के लिए काम कर रहा है।

प्रदान किए गए नमूना रिकॉर्ड के किसी भी संख्या के आधार पर एक प्लेलिस्ट बनाना

यहाँ भी, लगभग कोई बदलाव नहीं हुआ है। शीर्ष बाईं सूची डेटाबेस की सामग्री है। नीचे बाईं ओर सूची - खोज पैटर्न। सही सूची परिणामी प्लेलिस्ट है। "सहेजें और खोलें ..." बटन पर क्लिक करके, एक .m3u8 फ़ाइल बनाई जाती है, जो M3U प्लेलिस्ट को पहचानने वाले किसी भी प्रोग्राम को खोलती है।

प्रत्येक व्यक्तिगत ट्रैक के लिए आंकड़ों का विज़ुअलाइज़ेशन

यह कार्यक्रम का एक नया कार्य है जो आपको संक्रमण मैट्रिक्स की कल्पना करने की अनुमति देता है (ऊपर सांख्यिकीय प्रसंस्करण के एल्गोरिथ्म देखें)।
विज़ुअलाइज़्ड मैट्रिक्स स्वयं उपयोगकर्ता के लिए कोई लाभ नहीं है और मुख्य रूप से प्रोग्राम का एक सजावटी तत्व है।
हालांकि, अक्सर यह देखने के लिए संभव है कि कुछ रचनाएं अलग-अलग सेंट्रोइड के पास कैसे वर्गीकृत की जाती हैं।

पूर्ण डेटाबेस दृश्य

लेकिन यह शायद सबसे जटिल और हाल की कार्यक्षमता है।
प्रस्तुत करने का पहला तरीका क्लासिक स्कैटर प्लॉट है । समस्या यह है कि डेटाबेस में इसे बनाने के लिए बहुत अधिक डेटा है - सात सेंट्रोइड्स के साथ, संक्रमण मैट्रिक्स में 49 तत्व शामिल हैं, क्रमशः हम प्रत्येक संसाधित फ़ाइल के 49 निर्देशांक के साथ काम कर रहे हैं। इसके अलावा, बहुत बार इनमें से आधे तक निर्देशांक शून्य के बराबर होते हैं, जो स्पष्टता को भी नहीं जोड़ता है। मुख्य घटकों का एक विश्लेषण बचाव में आया, जिसकी मदद से 5-7 आयामों में उपयोगी जानकारी का एक महत्वपूर्ण हिस्सा गिरना संभव है, जिसे विमान पर दो निर्देशांक, आरजीबी रंग के तीन निर्देशांक का उपयोग करके कल्पना की जा सकती है। नतीजतन, डेटाबेस स्कैटरप्लॉट एक बहुरंगी बादल है, जो, हालांकि, काफी लचीले रूप से परिचालित किया जा सकता है, साथ ही स्थानांतरित और स्केल किया जा सकता है।


दृश्य की दूसरी विधि समानांतर निर्देशांक पर एक ग्राफ है । इस अवतार में, बड़ी संख्या में निर्देशांक को समानांतर अक्षों की संबंधित संख्या के रूप में दर्शाया जाता है, और प्रत्येक रचना को अक्षों में से प्रत्येक पर एक बिंदु से गुजरने वाली पॉलीलाइन के रूप में दर्शाया जाता है। बेहतर स्पष्टता के लिए, टूटी हुई लाइनों को स्प्लिन के साथ बदल दिया जाता है, और इसलिए ग्राफ एक लट में ब्रैड की तरह दिखता है। बेशक, मुख्य घटकों का विश्लेषण करके डेटा संपीड़न भी ब्रैड के लिए उपयोगी है।

और कोशिश करने के लिए?

यदि आप Windows XP और नए का उपयोग करते हैं, तो आपके पास .NET फ्रेमवर्क 4.0 स्थापित है, और एमपी 3 फ़ाइलों को पढ़ने के लिए एक एसीएम कोडेक स्थापित है (यह न पूछें कि इसकी उपस्थिति की जांच कैसे करें, मैं खुद नहीं जानता), तो आप यहां स्थित वितरण किट को आज़मा सकते हैं ।
जो स्रोत कोड का अध्ययन करना पसंद करते हैं, उन्हें सामान्य रिपॉजिटरी के कॉन्फ़िगर होने तक इंतजार करना होगा।

लाभ

हमने Apple, Google, Pandora Radio, Last.fm से समान समाधानों का विश्लेषण किया। सभी मामलों में, खोज मेटाडेटा पर आधारित है, जो कम से कम अप्रमाणिक है, और जीवित मूल्यांकनकर्ताओं की राय के अनुसार बहुत कम से कम, व्यक्तिपरक और अधीन है।
इसके विपरीत, HOLO अब तक एक निष्पक्ष समीक्षक और सिफारिशकर्ता, एक "शिक्षक रहित" प्रणाली है। मैंने "अलविदा" शब्द का उपयोग किया है क्योंकि मैं एक शिक्षक के साथ प्रशिक्षण के एक सहायक उप-प्रणाली, उपयोगकर्ता के स्वाद के समायोजन में कुछ समानता लाने की योजना बना रहा हूं।
और, ज़ाहिर है, एक बड़ा प्लस यह है कि कोई भी प्लेलिस्ट आइटम आपके निपटान में है, दूरस्थ सर्वर से कोई स्ट्रीमिंग नहीं है, सब कुछ आपके नियंत्रण में है।

प्रतिबंध

दुर्भाग्य से, उनके बिना नहीं:
1) अब तक, केवल एक विन-प्लेटफॉर्म;
2) अब तक केवल एमपी 3 फ़ाइलें 44.1 kHz 16 बिट;
3) यदि आधार का आकार 10 हजार से अधिक है, तो x 10 सेंट्रोइड्स (डेटाबेस में ~ 1 मिलियन रिकॉर्ड), प्लेलिस्ट के गठन की गति आधे मिनट से अधिक हो जाती है और अभी तक समानांतर नहीं हुई है;
4) डेटाबेस को इकट्ठा करना फिर से शुरू करना असंभव है, केवल फिर से शुरू करने के लिए;
5) संग्रह के लिए कई फ़ोल्डर्स या फ़ोल्डर्स को बाहर करना अभी तक संभव नहीं है; प्रतीकात्मक लिंक का उपयोग करें;
6) डेटाबेस को डायल करने की किसी भी स्वीकार्य गति के लिए, ट्रैक पूरी तरह से "सुने हुए" नहीं हैं, केवल 1 से 3 मिनट की लंबाई के साथ एक टुकड़ा है। इसलिए, सब कुछ जो इस ढांचे में नहीं आता है, वह प्लेलिस्ट के विश्लेषण और गठन को प्रभावित नहीं करता है। किसी प्लेलिस्ट को सुनते समय "डब्ल्यूटीएफ?" चिल्लाने का यह सबसे आम कारणों में से एक है।
7) लेकिन यह एकमात्र कारण नहीं है, दुर्भाग्य से। फ़ाइलों के बारे में सभी मेटाडेटा को त्यागने के बाद, खोज गुणवत्ता अभी भी आदर्श नहीं है, कृपया समझें। लेकिन ~ 80% मामलों में, प्लेलिस्ट में ऐसी चीजें शामिल होंगी जो टेम्पो, साउंड डेंसिटी, वॉल्यूम और शैली के नमूने की तरह दिखती हैं।

अंतभाषण

फिलहाल, कार्यक्रम सौ किलोग्राम से अधिक कोड तक बढ़ गया है। इस तथ्य के कारण कि C # में प्रोग्रामिंग मेरा पेशा नहीं है, स्थानों में गुणवत्ता डगमगा सकती है। मुझे सूचनात्मक प्रतिक्रिया और स्वयंसेवकों के लिए खुशी होगी जो निम्नलिखित पहलुओं में मदद कर सकते हैं:
0) उन लोगों के लिए सर्वोत्तम प्रतिक्रिया विधि प्रदान करें जो घर पर आवेदन का परीक्षण करना चाहते हैं;
1) एक सभ्य राज्य के लिए कोड की गंदगी को साफ करना;
2) काम की गति का अनुकूलन, और, यदि संभव हो तो, प्रश्नों को निष्पादित करने के लिए SQLite से परहेज;
3) डोपिंग यूआई;
4) MP3, FLAC, AAC और OGG के अलावा अन्य समर्थित प्रारूपों के सेट का विस्तार करना।
5) प्लेटफ़ॉर्म-डिपेंडेंट लाइब्रेरी NAudio से परहेज, जो MP3 फाइल्स की डिकोडिंग करती है। यह शायद एकमात्र ऐसी चीज है जो मोनो के तहत होलो को संकलित करने की अनुमति नहीं देगा और, तदनुसार, सभी प्लेटफार्मों पर चलाएं जो इसका समर्थन करते हैं।
पीएम को लिखें।

UPD: प्रोजेक्ट रिपॉजिटरी यहाँ है ।