声乐教育中的迁移学习：次女高音有限样本的技术评估
音频与语音处理
2024-11-01 v1 人工智能
多媒体
声音
摘要
音乐领域的声乐教育由于歌手声音的个体差异以及歌唱技术的不同量化标准而难以量化。深度学习因其处理复杂数据和进行定量分析的效率而在音乐教育中具有巨大潜力。然而，对罕见声部（如次女高音）进行有限样本的精确评估需要深度学习模型提供大量高质量的标注数据支持。为实现这一目标，我们通过采用在ImageNet和Urbansound8k数据集上预训练的深度学习模型进行迁移学习，以提高声乐技术评估的精度。此外，我们通过构建专用数据集——次女高音声乐集（MVS），来解决样本不足的问题。实验结果表明，迁移学习使所有模型的总体准确率（OAcc）平均提升了8.3%，最高准确率达到94.2%。我们不仅提供了一种评估次女高音声乐技术的新方法，还引入了一种音乐教育的新定量评估方法。
引用
@article{arxiv.2410.23325,
title = {Transfer Learning in Vocal Education: Technical Evaluation of Limited Samples Describing Mezzo-soprano},
author = {Zhenyi Hou and Xu Zhao and Kejie Ye and Xinyu Sheng and Shanggerile Jiang and Jiajing Xia and Yitao Zhang and Chenxi Ban and Daijun Luo and Jiaxing Chen and Yan Zou and Yuchao Feng and Guangyu Fan and Xin Yuan},
journal= {arXiv preprint arXiv:2410.23325},
year = {2024}
}