开源音乐分离器Audio Decomposition：可实现盲源音频分离，无需外部乐器分离库，从头开始制作。将音乐转换为五线谱的程序
今天给大家分析一个音频分解器，通过傅里叶变换和信封匹配分离音乐中的各个音符和乐器，实现音乐到乐谱的转换。将音乐开源分离为组成乐器。该方式是盲源分离，从头开始制作，无需外部乐器分离库。
相关链接
代码：https://github.com/mbird1258/Audio-Decomposition
演示视频：https://youtu.be/-i0PSxcoDH0
准备
仪器数据
乐器数据全部来自爱荷华大学电子音乐工作室乐器数据库。利用这些文件，我们用下文所述方法找到整个波的傅里叶变换和波的包络。
工作原理
乐器的声波主要由其傅里叶变换和包络线来表征。因此，我们可以利用这两者来很好地了解哪种乐器正在演奏哪个音符。
傅立叶变换
该程序将音乐分解为组成音符和乐器的第一种方法是每 0.1 秒对音乐文件进行一次傅里叶变换（频谱图），并将我们存储的每种乐器的傅里叶变换相加，以重新创建 0.1 秒窗口的傅里叶变换。这个想法是希望在设定的时间内完美地重现音乐，因为傅里叶变换应该能相对好地代表所演奏的音乐。
原始傅里叶变换
组成文书
通过求解以下矩阵可得出每种乐器的幅度。该矩阵是通过对每种乐器的 MSE 成本函数按频率（例如 5 hz 时的 FT 值）求偏导数而得出的。矩阵中的每一行都是不同的偏导数。（第一个是相对于大提琴的，第二个是相对于钢琴的，等等）
信封
将乐器的包络与声波匹配的第一步是获取包络本身。包络是波的上限，虽然有函数可以做到这一点，但它们似乎难以处理噪音和某些类型的声波。因此，由于我们必须处理不同频率的许多不同乐器，我们需要一个更强大的解决方案。
为了获得包络，该函数将声波分成几块，然后取每块的最大值。为了进一步优化结果，该函数找到包络低于原始声波的点，并添加一个定义包络的新点。
下一步是将波的包络分解为起音、延音和释音。起音是音符的初始噪音，延音是音符保持时，释音是音符停止时。对于乐器样本，我们可以取波的第一个非零值来获取起音的开始。要获取起音和延音之间的点，我们获取函数向下凹或减小时的第一个点。要获取延音和释音之间的点，我们获取函数增加或向下凹的末端的第一个点。要获取释音的末端，我们找到函数非零的末端的第一个点。
为了进一步对波进行分类，我们需要考虑波可以采取的主要形式。一些乐器，例如钢琴，具有静态衰减，其中它们大多遵循指数衰减形状。另一方面，一些乐器，例如小提琴，可以随着音符的持续而增加或减少音量。除此之外，乐器文件中的一些音频样本会保留到声音结束，而其他音频样本则会提前释放。为了区分衰减是静态的还是动态的，如果衰减因子> 1，或者它偏离衰减曲线太多，则为动态的。为了区分包络是否有释放（AS或ASR），我们查看维持和释放的平均变化率，如果释放的变化率较低，则没有释放。
为了处理音乐文件，我们首先对每个音符频率的信号进行带通滤波。使用滤波后的波，我们迭代每个乐器。对于每种乐器，我们利用乐器的起音（标准化）和释放（标准化）的互相关来找到每个音符的开始和结束，然后利用乐器波和滤波后的音频的 MSE 来获得当时乐器的成本。之后，我们将在傅立叶变换步骤中找到的幅度乘以 1/（我们在此步骤中找到的成本）以获得最终的幅度。
展示 为了显示文件，我们使用 matplotlib 的散点图和 - 形点来显示乐谱。最初，我想根据幅度重新创建音频，但这导致了许多问题，花费了一段时间，并使故障排除变得更加困难。我也尝试使用 matplotlib 的 imshow 图，但在这种情况下效率极低，因为大多数值都是 0，并且每次我们平移或缩放屏幕时，matplotlib 都需要重新绘制每个点，无论它是否在屏幕上。
结果
总体效果很好。你可以用它来更好地重现乐谱，特别是当你很难找到正确的音高或和弦时，而且它运行起来也不会花费太多时间。
如何运行项目
-
从GitHub下载后分别运行 ScrapeInstruments.py 和 ProcessInstruments.py 一次 InstrumentAudioFiles 和 InstrumentData 现在应该被填充
-
将 soundfile.read() 可以处理的文件类型上传到 In 文件夹
-
进入 Main.py 并更改任何参数，主要是歌曲的乐器白名单或黑名单。
-
运行 Main.py PlayBack 现在应该为每个输入都有一个文件
-
运行Display.py查看结果！