通过回归起止时间实现带踏板的钢琴高分辨率转录
声音
2021-08-03 v3 音频与语音处理
摘要
自动音乐转录（AMT）是将音频录音转写为符号表示的任务。近年来，基于神经网络的方法已应用于 AMT 并取得了最先进的结果。然而，许多先前的系统仅以帧级别检测音符的起止，因此转录分辨率受限于帧移大小。关于使用不同策略编码起止目标进行训练的研究尚显不足。此外，以往的 AMT 系统对音频录音中未对齐的起止标签较为敏感。而且，关于大规模数据集上延音踏板转录的研究有限。在本文中，我们提出了一种通过回归钢琴音符精确起止时间训练的高分辨率 AMT 系统。在推理时，我们提出一种算法解析计算钢琴音符与踏板事件的精确起止时间。我们表明，与以往系统相比，我们的 AMT 系统对未对齐的起止标签具有鲁棒性。我们所提系统在 MAESTRO 数据集上取得了 96.72% 的起音 F1，优于以往起止与帧系统的 94.80%。我们的系统在踏板上取得了 91.86% 的踏板起音 F1 分数，这是 MAESTRO 数据集上的首个基准结果。我们已在 https://github.com/bytedance/piano_transcription 发布了本工作的源代码与检查点。
引用
@article{arxiv.2010.01815,
title = {High-resolution Piano Transcription with Pedals by Regressing Onset and Offset Times},
author = {Qiuqiang Kong and Bochen Li and Xuchen Song and Yuan Wan and Yuxuan Wang},
journal= {arXiv preprint arXiv:2010.01815},
year = {2021}
}
备注
12 pages