Tìm kiếm âm nhạc theo nội dung sử dụng đặc trưng tần số cơ bản F0 và giải thuật thời gian động DTW

Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 55 - 59 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
55 
TÌM KIẾM ÂM NHẠC THEO NỘI DUNG SỬ DỤNG ĐẶC TRƢNG TẦN SỐ 
CƠ BẢN F0 VÀ GIẢI THUẬT THỜI GIAN ĐỘNG DTW 
Phùng Thị Thu Hiền1*, Thái Quang Vinh2, Phùng Trung Nghĩa3 ,Lê Tuấn Anh4 
1Đại học Kỹ thuật Công nghiệp Thái Nguyên, 2Viện Công nghệ thông tin, Viện KHCN Việt nam, 
3Japan Advanced Institute of Science and Technology, 4Khoa Công nghệ thông tin, Đại học Thái Nguyên 
TÓM TẮT 
Việc tìm kiếm bài hát trong một cơ sở dữ liệu là một vấn đề hấp dẫn đƣợc một số nhà nghiên cứu 
quan tâm trong thời gian gần đây. Tìm kiếm âm nhạc trong các cơ sở dữ liệu hiện tại thƣờng dựa 
trên cơ sở tìm kiếm chỉ mục. Tuy nhiên, việc tìm kiếm âm nhạc theo chỉ mục có nhiều nhƣợc 
điểm.Với một từ khoá sử dụng khi tìm kiếm thì kết quả trả về của các truy vấn dựa trên text là một 
xâu dữ liệu. Mặt khác, đôi khi ngƣời dùng có thể quên tên hoặc nhớ không chính xác tên bài hát, lời 
bài hát, tác giả bài hát. Với cùng một bài hát, hoặc các bài hát tƣơng tự nhau nhƣng do các ca sĩ 
khác nhau hát thì kết quả tìm kiếm có thể là khác nhau. Tìm kiếm bài hát theo nội dung khắc phục 
đƣợc những nhƣợc điểm này. Trong các cơ sở dữ liệu đa phƣơng tiện lớn thì vấn đề tìm kiếm âm 
nhạc theo nội dung trở nên rất quan trọng. Bài báo này trình bày phƣơng pháp tìm kiếm âm nhạc 
theo nội dung dùng đặc trƣng dùng tần số cơ bản F0 và giải thuật thời gian động DTW. 
Từ khóa: Giải thuật thời gian động, Cao độ Pitch. 
 ĐẶT VẤN ĐỀ 
Tìm kiếm âm nhạc theo nội dung là một lĩnh 
vực nghiên cứu mới và đƣợc nhiều nhà 
nghiên cứu quan tâm. Hiện có một số phƣơng 
thức đã đƣợc áp dụng tìm kiếm âm nhạc theo 
nội dung. Một số nhà nghiên cứu nhƣ 
S.Blackburn, D.DeRoure [4] đã sử dụng kỹ 
thuật ƣớc lƣợng cao độ Pitch để xác định giai 
điệu của đoạn nhạc và sử dụng Pitch làm tham 
số đặc trƣng cho hệ thống tìm kiếm âm nhạc 
theo nội dung. Tƣơng tự, Mc Nab và các cộng 
sự [5] đã sử dụng phƣơng thức tính toán giai 
điệu bằng cách ƣớc tần số cơ bản F0 để so 
sánh giữa các bản phiên âm của mỗi bài hát. 
Ghias và các cộng sự [6] đã giới thiệu các 
phƣơng pháp so khớp độ tƣơng tự sử dụng để 
đƣa ra kết quả truy vấn cơ sở dữ liệu âm nhạc. 
Tuy nhiên, theo kết quả nghiên cứu của Beth 
Logan [8] thì các phƣơng pháp tìm kiếm âm 
nhạc theo nội dung hiện nay vẫn chƣa đảm 
bảo đƣợc cả độ chính xác và thời gian tính 
toán, đặc biệt khi tìm kiếm giai điệu của các 
bản nhạc hoàn chỉnh trong hệ cơ sở dữ liệu 
lớn. Bài báo này trình bày phƣơng pháp 
dùng tham số tần số cơ bản F0 để trích chọn 
đặc trƣng âm thanh, sau đó dùng giải thuật 
thời gian động DTW (Dynamic Time 
 Tel: 0986060545, Email: pthientng@gmail.com 
Wraping) để phân lớp dữ liệu và đƣa ra các 
kết quả thực nghiệm. 
CƠ SỞ LÝ THUYẾT 
Trích chọn đặc trƣng âm thanh sử dụng 
tần số cơ bản F0 (Pitch) 
Cao độ (Pitch) là thuộc tính cơ bản của tiếng 
nói và âm thanh nói chung. Chu kỳ Pitch là 
đại lƣợng đƣợc xác định trên miền thời gian 
và tỉ lệ nghịch với tần số cơ bản F0 là đại 
lƣợng xác định trên miền tần số. Có rất nhiều 
thuật toán và phƣơng pháp ƣớc lƣợng Pitch. 
Các thuật toán ƣớc lƣợng Pitch cố gắng để 
định vị trực tiếp chu kỳ Pitch trong miền thời 
gian hoặc thông qua ƣớc lƣợng tần số cơ bản 
F0 trên miền tần số của tín hiệu âm thanh. 
Phƣơng pháp ƣớc lƣợng Pitch phổ biến nhất 
là sử dụng hàm tự tƣơng quan ACF 
(AutoCorrelation Function). Ý nghĩa tƣơng 
quan giữa hai tín hiệu là đo độ tƣơng tự giữa 
chúng và tự tƣơng quan là đo độ tƣơng tự của 
một tín hiệu và biến đổi theo thời gian của 
chính nó. Hàm tự tƣơng quan trong một 
khoảng thời gian hữu hạn, của một tín hiệu 
rời rạc theo thời gian s(n) có thể đƣợc biểu 
diễn là: 

kN
m
kmsmskr
1
0
)()()( (1) 
k là độ trễ và N là độ dài đoạn, s(m) = 0 ngoài miền. 
Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 55 - 59 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
56 
Hình 1. Dạng sóng và tự tƣơng quan trên miền 
thời gian 
Hình 1 thể hiện một đoạn âm thanh ngắn và 
tính tự tƣơng quan của đoạn đó. Chu kỳ cao 
độ đƣợc theo dõi trên khoảng 80 mẫu. Đỉnh 
nhô lên trong sóng tự tƣơng quan biểu thị 
điều này. Giá trị cực đại để xuất hiện quá 
trình tự tƣơng quan là ở mức trễ 0. Một giá trị 
cực đại khác ở mức trễ 162, cho thấy một sự 
kết hợp tốt khi dịch chuyển là hai lần chu kỳ 
cao độ. Vì vậy, để ƣớc lƣợng cao độ Pitch, 
cửa sổ âm thanh nên chứa ít nhất hai chu kỳ 
cao độ (N >2/F0). 
Kỹ thuật phân lớp dùng thời gian động 
DTW (Dynamic Time Warping) 
Cho chuỗi đầu vào Lwwww ,..., 21 có độ 
dài L và có chuỗi vector đặc tính 
 TxxxX ,..., 21 , nhiệm vụ của hệ thống là 
phải nhận dạng chuỗi âm đầu vào và trong 
quá trình xử lý cần phải giảm thiểu tối đa các 
sai số quyết định. Mỗi tín hiệu đầu vào Wl sẽ 
đƣợc so sánh với các mẫu Yl. Mỗi Yl là chuỗi 
các vector đặc tính của tín hiệu Wl . Nhằm 
tăng khả năng nhận dạng, mỗi tín hiệu có một 
tập hợp các mẫu khác nhau: 
lMll
YY ,1, ,..., . 
),(minminarg ,
*
ml
ml
YXDl (2 ) 
Nhƣ vậy Wl* là phù hợp nhất với mẫu Yl tìm 
đƣợc. 
Khoảng cách D(X,Y) giữa dữ liệu đầu vào và 
dữ liệu mẫu Y=y1.ys có độ dài thời gian 
khác nhau S T đƣợc xác định bằng tổng các 
khoảng cách cục bộ ),( jiij yxdd trên cả 
đƣờng đi của quá trình biến dạng thời gian. 
Khoảng cách tích luỹ 
)...,...( 11 jiij yyxxDD đƣợc xác định theo 
công thức (3) 
 
 ijjijiji dDDD 1,,11,1 ,,min
0
I=J=0
I>0, J>0
Kh¸c
Và khoảng cách tổng D(X,Y)=DTS. 
Giả sử cho hai chuỗi vec tơ tƣơng ứng với 
mẫu tín hiệu là Iaaaaa ,....,, 321 
 và 
 Jbbbbb ,....,, 321 
. Cho rằng tín hiệu mẫu 
a có chiều dài lớn hơn mẫu 
b tức là giá trị 
(I > J). Thuật toán sẽ thực hiện việc tìm 
đƣờng đi tối ƣu của chuỗi b theo chuỗi a (tức 
là các vị trí khác nhau giữa hai chuỗi theo 
thời gian) sao cho tổng chênh lệch giữa hai 
chuỗi vec tơ là nhỏ nhất. 
Để thực hiện đƣợc điều này ta dùng thuật toán 
dùng ma trận lƣới các điểm H2 
Hình 2. Ma trận lƣới các điểm 
Hai chuỗi véc tơ sẽ tƣơng ứng với hai cạnh 
của ma trận. Giả sử, véc tơ a theo trục x và 
véc tơ b theo trục y. Các nút của ma trận 
tƣơng ứng với khoảng cách tính đƣợc của hai 
chuỗi véc tơ tại các thời điểm thứ i của véc tơ 
a tƣơng ứng thời điểm thứ j của véc tơ b 
tƣơng ứng nút (i,j). Nhƣ vậy, đƣờng đi tối ƣu 
trong ma trận sẽ có dạng nhƣ hình 3 
Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 55 - 59 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
57 
Hình 3. Hình dạng đƣờng đi trong ma trận 
Việc xác định đƣờng đi tối ƣu trong ma trận 
lƣới đƣợc thực hiện sao tổng khoảng cách sai 
lệch giữa các cặp véc tơ của hai chuỗi là nhỏ 
nhất. Ký hiệu, d(i,j) là độ chênh lệch của hai 
véc tơ a và b tại thời điểm i và j tƣơng ứng. 
Yêu cầu của thuật toán DTW cho hai chuỗi 
vec tơ bất kỳ là cùng bắt đầu tại các vị trí 
(0,0) và kết thúc tại vị trí (I,J). Giá trị tại nút 
(0,0) xác định bằng 0. 
Đƣờng đi đƣợc xác định theo các cặp nút liên 
tiếp (ik-1,jk-1) (ik,jk) . Dùng ký hiệu ik để 
biểu diễn chỉ số của véc tơ a tại thời điểm k 
và jk là chỉ số của véc tơ b tại thời điểm k. 
Nhƣ vậy tổng khoảng cách giữa hai chuỗi véc 
tơ là : 
),(),(),( 11 kkkkkk jidjiDjiD (4) 
Việc tìm giá trị min D(i,j) theo công thức sau: 
  ),(),(min),( 11
*
kkkkkk jidjiDjiD 
 (5) 
Một số bắt buộc của DTW: 
- Chỉ số của i phải tăng đều tức là : 
ik - ik-1 =1 
- Chỉ số của j tăng theo i với điều kiện: 
jk -jk-1 0 
Giới hạn của đƣờng đi không thể tuỳ ý đƣợc 
vì nhƣ thế nó sẽ gây ra kết quả sai lệch và làm 
tăng khối lƣợng tính toán (nếu xét trên toàn 
bộ ma trận điểm). Vì vậy, cần phải giới hạn 
phạm vi của đƣờng đi sao cho việc tính toán 
giảm và độ chính xác cao. Phạm vi cho 
đƣờng đi đƣợc chọn nhƣ hình vẽ 4: 
 Hình 4. Phạm vi cho đƣờng đi 
Luật đƣờng đi đƣợc lựa chọn theo nhƣ hình 5. 
Hình 5. Luật đƣờng đi 
Giả sử vị trí hiện tại đang ở thời điểm ik-1 và 
điểm đi tiếp là ik. Nhƣ vậy các giá trị jk có thể 
là jk, jk+1, jk+2 tƣơng ứng với các mũi tên trên 
ma trận. 
KẾT QUẢ THỰC NGHIỆM 
Chuẩn bị dữ liệu 
Dữ liệu bao gồm 20 bài hát thiếu nhi nổi tiếng 
thế giới đƣợc download từ 
g4public/QBSH-corpus/ . Trong các cấu trúc 
file âm thanh thì MIDI là định dạng file đơn 
giản, kích cỡ nhỏ gọn nhƣng vẫn biểu diễn 
đƣợc giai điệu âm nhạc. Do đó, trong bƣớc 
huấn luyện, chƣơng trình sử dụng 20 bản 
nhạc định dạng MIDI. PCM Wave là chuẩn 
mã hóa âm thanh đƣợc sử dụng khá phổ biến 
trong các hệ cơ sở dữ liệu âm nhạc, do vậy 
khi tìm kiếm chƣơng trình thử nghiệm trên 20 
 
km
m
mm jid
0
),(min
Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 55 - 59 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
58 
file âm thanh PCM Wave có 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 tƣơng ứng 
với 20 bản nhạc MIDI đã huấn luyện. 
Các tham số thực nghiệm 
Cao độ Pitch đƣợc tính theo phƣơng pháp tự 
tƣơng quan ACF với các tham số: kích cỡ 
khung là 256 ms, không chồng lấp. Sau khi 
tính Pitch bằng hàm ACF (AutoCorrelation 
Function), pitch đƣợc làm trơn bằng lọc trung 
vị. Phƣơng 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 lƣợt 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 tƣơng tự của 2 
chuỗi pitch sau đó đƣợc tính toán bằng khoảng 
cách Euclid để tìm ra chuỗi phù hợp nhất. 
Kết quả thực nghiệm và đánh giá 
Phƣơng pháp trích đặc trƣng giai điệu dùng 
tham số cao độ Pitch (hay tần số cơ bản F0) 
sử dụng đặc trƣng các giá trị cao độ và sự 
biến đổi cao độ làm tham số so sánh. Do vậy, 
hệ thống không yêu cầu khắt khe về mẫu đầu 
vào và có thể tìm kiếm đƣợc một tập nhiều 
kết quả đầu ra có giai điệu tƣơng tự. Ƣu điểm 
của hệ thống này là có thể tìm đƣợc nhiều kết 
quả dựa trên giai điệu mà chỉ cần ngƣời sử 
dụng cung cấp giai điệu bài hát một cách 
tƣơng đối nhƣ hát thử không nhạc, đánh thử 
một đoạn nhạc hay ngân nga giai điệu không 
có lời (humming). Nhƣợc điểm của hệ thống 
này là kết quả tìm kiếm có thể thiếu chính xác 
do một số bài hát khác nhau có thể có những 
phần nhỏ giai điệu tƣơng tự nhau. 
Trong chƣơng trình thực nghiệm, kết quả 
nhận dạng đúng sau 20 lần là 100%. Kết quả 
này cao hơn kết quả đã công bố trong [8] và 
[10] dù dùng cùng thuật toán. Lý do có thể do 
chƣơng trình demo mới thử nghiệm trên bộ 
cơ sở dữ liệu rất nhỏ. 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 tƣơng 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, thời gian tìm kiếm cho mỗi 
file Wave (dài khoảng 1 phút) là xấp xỉ 0.2 s 
với điều kiện đã huấn luyện trƣớc. Thời gian 
này là chấp nhận đƣợc với ngƣời sử dụng. 
Thời gian tìm kiếm trong [8] là lớn hơn do 
thực nghiệm trên cơ sở dữ liệu âm nhạc lớn. 
Chƣơng trình mô phỏng đƣợc xây dựng trên 
phần mềm matlab: 
Hình 6. Kết quả chạy chƣơng trình 
Hƣớng phát triển 
Trƣớc hết cần xây dựng một cơ sở dữ liệu âm 
nhạc đủ lớn để thử nghiệm. Từ đó sẽ đánh giá 
đƣợc độ chính xác, hiệu quả của các phƣơng 
pháp tìm kiếm và có thể đề xuất các phƣơng 
pháp cải tiến thao tác trích đặc trƣng và phân 
lớp của hệ thống tìm kiếm. 
Hƣớng nghiên cứu tiếp theo cũng sẽ là tìm 
hiểu sâu hơn về các phƣơng pháp phân lớp dữ 
liệu triển vọng nhƣ dùng mạng Neural, giải 
thuật di truyền GA, mô hình Markov ẩn 
HMM, 
TÀI LIỆU THAM KHẢO 
[1]. E.Riskin and R.Gray, “A greedy tree growing 
algorithm for the design of variable rate vector 
quantizers”, IEEE Trans. On Sig.Proc, Nov 1991 
[2]. J.-S. Roger Jang, Hong-Ru Lee, 
"Hierarchical Filtering Method for Content-based 
Music Retrieval via Acoustic Input", The 9th 
ACM Multimedia Conference, PP. 401-410, 
Ottawa, Ontario, Canada, September 2001. 
Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 61(12/2): 55 - 59 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  
59 
[3]. Beth Logan and Ariel Salomon, “A Music 
Similarity Function Based on Signal Analysis”, 
Cambridge Research Laboratory. 
[4]. S.Blackburn and D. De Roure, “A tool for 
content based navigation of music”, in ACM 
Multimedia ,1998. 
[5]. R. Mc Nab, L. Smith, I. Witten, C.Henderson, 
and S.Cunningham, “Towards the digital music 
library: Tune retrieval from acoustic input,” in 
Digital Libraries 1996, 1996, pp.11-18 
[6]. A.Ghias, J.Logan, D. Chamberlin and 
B.Smith, “Query by humming,” in ACM 
Multimedia, 1995 . 
[7]. M Goto, “A predominant-F0 estimation 
method for CD recordings: MAP estimation using 
EM algorithm for adaptive tone models,” in Proc. 
ICASSP, 2001 
[8]. Beth Logan and Stephen Chu, “Music 
Summarization Using Key Phrases”, Cambridge 
Research Laboratories 
[9]. J.T. Foote, “Content-based retrieval of Music 
and Audio,” in SPIE, 1997, p.p 138- 147 
[10]. J.-S. Roger Jang, Hong-Ru Lee, 
"Hierarchical Filtering Method for Content-based 
Music Retrieval via Acoustic Input", The 9th 
ACM Multimedia Conference, PP. 401-410, 
Ottawa, Ontario, Canada, September 2001. 
SUMMARY 
USING FUNDAMENTAL FREQUENCY AND ALGORITHM DYNAMIC TIME 
WARPING (DTW) TO SEARCH CONTEND MUSIC 
Phung Thi Thu Hien
1 
, Thai Quang Vinh
2
, Phung Trung Nghia
3 
, Le Tuan Anh
4 
1University of Technology, 
 2Academy of Information Technology - Vietnam Academy of Science and Technology 
3Japan Advanced Institute of Science and Technology 
, 4Faculty of information Technology- Thai Nguyen University 
Song searching in a database is interesting field which attract many researchers recently. Music 
searching in current database is usually based on text query. In a huge multimedia database, content-
based music searching becomes incredible. 
This paper presents the content-based music searching method using F0 and the DTW algorithm. 
Experimental results show that this is an effective method and need to continue researching. 
Keywords: Dynamic Time Warping, Pitch. 
 Tel: 0986060545, Email: pthientng@gmail.com