[논문]주파수 변화율을 이용한 음성과 음악의 구분

양경철; 방용찬; 조선호; 육동석

문제 정의

본 논문에서 음성은 음악과 달리 점차적인 주파수 변이 현상이 있음을 보이고 이를 이용하여 음성과 음악 을 구분하는 특성 값인 STR을 제안하였다. 실험을 통 해서 STR은 MMCD보다 우수한 성능을 보이는 것과, 고전적인 패턴인식 방법보다 빠른 성능을 보이는 것도 알 수 있었다 [5], 특히 음악에 장르 변화에 강인하며, 비교적 빠른 응답에서도 우수한 SMD 성능을 보였다.
본 논문에서 음성은 음악과 달리 점차적인 주파수 변이 현상이 있음을 보이고 이를 이용하여 음성과 음악 을 구분하는 특성 값인 STR을 제안하였다. 실험을 통 해서 STR은 MMCD보다 우수한 성능을 보이는 것과, 고전적인 패턴인식 방법보다 빠른 성능을 보이는 것도 알 수 있었다 [5], 특히 음악에 장르 변화에 강인하며, 비교적 빠른 응답에서도 우수한 SMD 성능을 보였다.
주파수 분석을 통해 음성과 음악의 특성을 살펴보면, 대부분 악기는 특정 주파수 소리를 내도록 고안되어 있다는 것을 알 수 있고, 음성은 발성 과정에서 조음 기관이 서서히 움직여 가면서 소리를 내고 그 과정에서 점차적 인 주파수 변화가 발생하는 것을 알 수 있다. 본 논문에서는 이러한 음성과 음악이 갖고 있는 주파수 변화 특성을 이용 하여 음성과 음악을 구별하고자 한다. 즉 음성과 음악을 구분해 주는 특징 값으로서 주파수 변화율을 사용하고자 한다.
주파수 분석을 통해 음성과 음악의 특성을 살펴보면, 대부분 악기는 특정 주파수 소리를 내도록 고안되어 있다는 것을 알 수 있고, 음성은 발성 과정에서 조음 기관이 서서히 움직여 가면서 소리를 내고 그 과정에서 점차적 인 주파수 변화가 발생하는 것을 알 수 있다. 본 논문에서는 이러한 음성과 음악이 갖고 있는 주파수 변화 특성을 이용 하여 음성과 음악을 구별하고자 한다. 즉 음성과 음악을 구분해 주는 특징 값으로서 주파수 변화율을 사용하고자 한다.

제안 방법

음악 데이터는 CD원본 에서 16,000 Hz 샘플링 하였고, Fourier Transform 윈도 우의 크기는 128 ms, 10 ms 간격으로 전진하며 SMD를 수행하였다. STR 계산에 사용된 유효 음성 주파수 대 역 으로는 125 Hz에서 2,000 Hz까지로 정하였다.
음악 데이터는 CD원본 에서 16,000 Hz 샘플링 하였고, Fourier Transform 윈도 우의 크기는 128 ms, 10 ms 간격으로 전진하며 SMD를 수행하였다. STR 계산에 사용된 유효 음성 주파수 대 역 으로는 125 Hz에서 2,000 Hz까지로 정하였다.
3 Hz으로 하였으며, 식 ⑵에서 주 파수 변화 계산을 위한 시간 7는 실험을 통해 최적한 값인 200 ms를 사용하였다. STR의 평균 윈도우 用에 따라서 threshold를구하여 실험하였다. 또한 STR의 빠른응답에 대한 성능을 알아보기 위해 MMCD의 경우 cepstral distance 계산을 위한 시간 보다 작은 7늬50 ms, W&150 ms으로도 실험을 진행하였다.
STR의 평균 윈도우 用에 따라서 threshold를구하여 실험하였다. 또한 STR의 빠른응답에 대한 성능을 알아보기 위해 MMCD의 경우 cepstral distance 계산을 위한 시간 보다 작은 7늬50 ms, W&150 ms으로도 실험을 진행하였다.
STR의 평균 윈도우 用에 따라서 threshold를구하여 실험하였다. 또한 STR의 빠른응답에 대한 성능을 알아보기 위해 MMCD의 경우 cepstral distance 계산을 위한 시간 보다 작은 7늬50 ms, W&150 ms으로도 실험을 진행하였다.
여기서 starts}- e赫는 주파수 변화 현상을관찰하는 유효 밴드 대 역 이다. 음성과 음악을 구분하는 특징 값을 만들기 위해서, 하모닉스의 변화를 일정한 밴 드로 나누어 그 추이를 추적하는데, 평균 270 Hz부터 3,010 Hz 사이에 포만트 (formant) 주파수와 평균 피치 를 고려하여 [8], 밴드별로 스펙트럴 피크 값을 추적한다.
여기서 starts}- e赫는 주파수 변화 현상을관찰하는 유효 밴드 대 역 이다. 음성과 음악을 구분하는 특징 값을 만들기 위해서, 하모닉스의 변화를 일정한 밴 드로 나누어 그 추이를 추적하는데, 평균 270 Hz부터 3,010 Hz 사이에 포만트 (formant) 주파수와 평균 피치 를 고려하여 [8], 밴드별로 스펙트럴 피크 값을 추적한다.
학습 시간은 평균적으로 처음부터 약 80초 정도의 구간을 사용하였고 분류 실험에 사용된 데이터 세그먼트는 장르별로 각 6 개씩 총 42 개 데이터 세그먼트를 사용하였다. 음악 데이터는 CD원본 에서 16,000 Hz 샘플링 하였고, Fourier Transform 윈도 우의 크기는 128 ms, 10 ms 간격으로 전진하며 SMD를 수행하였다. STR 계산에 사용된 유효 음성 주파수 대 역 으로는 125 Hz에서 2,000 Hz까지로 정하였다.
학습 시간은 평균적으로 처음부터 약 80초 정도의 구간을 사용하였고 분류 실험에 사용된 데이터 세그먼트는 장르별로 각 6 개씩 총 42 개 데이터 세그먼트를 사용하였다. 음악 데이터는 CD원본 에서 16,000 Hz 샘플링 하였고, Fourier Transform 윈도 우의 크기는 128 ms, 10 ms 간격으로 전진하며 SMD를 수행하였다. STR 계산에 사용된 유효 음성 주파수 대 역 으로는 125 Hz에서 2,000 Hz까지로 정하였다.
이 장에서는 음성과 음악의 스펙트로그램 상에서의 특 성 차이를 비교하여 주파수 도메인에서 음성과 음악을 구분해주는 특성을 분석한다.
이 장에서는 음성과 음악의 스펙트로그램 상에서의 특 성 차이를 비교하여 주파수 도메인에서 음성과 음악을 구분해주는 특성을 분석한다.
이 장에서는 주파수 변화율을 이용하여 음성과 음악을 구분하는 STR 특징 기반 SMD 알고리즘을 제안한다.
본 논문에서는 이러한 음성과 음악이 갖고 있는 주파수 변화 특성을 이용 하여 음성과 음악을 구별하고자 한다. 즉 음성과 음악을 구분해 주는 특징 값으로서 주파수 변화율을 사용하고자 한다. 제안한 주파수 변화율인 STR (spectral transition rate) 기반의 SMD 실험 결과, MMCD 기반.

대상 데이터

실험을 위하여 음성 데이터는 노이즈가 없는 TIM也 데 이터베이스를 사용하였으며, 음악 데이터는 사람들에게 친숙한 여러 가지 음악을 장르별로 분류하여 사용하였 다. 학습 데이터 세그먼트 (segment) 는 총 177 개의 곡을 사용하였으며 장르별로는 시네마 38 개, 키보드 26 개,오케스트라 19 개, 그리고 현악기, 관악기, 재즈는 각각 16 개, 팝은 46 개를 사용하였다.
실험을 위하여 음성 데이터는 노이즈가 없는 TIM也 데 이터베이스를 사용하였으며, 음악 데이터는 사람들에게 친숙한 여러 가지 음악을 장르별로 분류하여 사용하였 다. 학습 데이터 세그먼트 (segment) 는 총 177 개의 곡을 사용하였으며 장르별로는 시네마 38 개, 키보드 26 개,오케스트라 19 개, 그리고 현악기, 관악기, 재즈는 각각 16 개, 팝은 46 개를 사용하였다.
실험을 위하여 음성 데이터는 노이즈가 없는 TIM也 데 이터베이스를 사용하였으며, 음악 데이터는 사람들에게 친숙한 여러 가지 음악을 장르별로 분류하여 사용하였 다. 학습 데이터 세그먼트 (segment) 는 총 177 개의 곡을 사용하였으며 장르별로는 시네마 38 개, 키보드 26 개,오케스트라 19 개, 그리고 현악기, 관악기, 재즈는 각각 16 개, 팝은 46 개를 사용하였다. 학습 시간은 평균적으로 처음부터 약 80초 정도의 구간을 사용하였고 분류 실험에 사용된 데이터 세그먼트는 장르별로 각 6 개씩 총 42 개 데이터 세그먼트를 사용하였다.
실험을 위하여 음성 데이터는 노이즈가 없는 TIM也 데 이터베이스를 사용하였으며, 음악 데이터는 사람들에게 친숙한 여러 가지 음악을 장르별로 분류하여 사용하였 다. 학습 데이터 세그먼트 (segment) 는 총 177 개의 곡을 사용하였으며 장르별로는 시네마 38 개, 키보드 26 개,오케스트라 19 개, 그리고 현악기, 관악기, 재즈는 각각 16 개, 팝은 46 개를 사용하였다. 학습 시간은 평균적으로 처음부터 약 80초 정도의 구간을 사용하였고 분류 실험에 사용된 데이터 세그먼트는 장르별로 각 6 개씩 총 42 개 데이터 세그먼트를 사용하였다.
학습 데이터 세그먼트 (segment) 는 총 177 개의 곡을 사용하였으며 장르별로는 시네마 38 개, 키보드 26 개,오케스트라 19 개, 그리고 현악기, 관악기, 재즈는 각각 16 개, 팝은 46 개를 사용하였다. 학습 시간은 평균적으로 처음부터 약 80초 정도의 구간을 사용하였고 분류 실험에 사용된 데이터 세그먼트는 장르별로 각 6 개씩 총 42 개 데이터 세그먼트를 사용하였다. 음악 데이터는 CD원본 에서 16,000 Hz 샘플링 하였고, Fourier Transform 윈도 우의 크기는 128 ms, 10 ms 간격으로 전진하며 SMD를 수행하였다.

성능/효과

제안한 주파수 변화율인 STR (spectral transition rate) 기반의 SMD 실험 결과, MMCD 기반. 방법보다 전체 적으로 좋은 성능을 보였으며, 특히 음성이 발성되는 과 정에서 조금씩 변하는 주파수 변화율을 사용함으로써 빠 른 응답 속도에서 상대적으로 높은 성능을 보였다.
제안한 주파수 변화율인 STR (spectral transition rate) 기반의 SMD 실험 결과, MMCD 기반. 방법보다 전체 적으로 좋은 성능을 보였으며, 특히 음성이 발성되는 과 정에서 조금씩 변하는 주파수 변화율을 사용함으로써 빠 른 응답 속도에서 상대적으로 높은 성능을 보였다.
본 논문에서 음성은 음악과 달리 점차적인 주파수 변이 현상이 있음을 보이고 이를 이용하여 음성과 음악 을 구분하는 특성 값인 STR을 제안하였다. 실험을 통 해서 STR은 MMCD보다 우수한 성능을 보이는 것과, 고전적인 패턴인식 방법보다 빠른 성능을 보이는 것도 알 수 있었다 [5], 특히 음악에 장르 변화에 강인하며, 비교적 빠른 응답에서도 우수한 SMD 성능을 보였다.
실험을 통해서 STRe MMCD보다 우수한 성능을 보이는 것과, 고전적인 패턴인식 방법보다 빠른 성능을 보이는 것도 알 수 있었다 [5], 특히 음악에 장르 변화에 강인하며, 비교적 빠른 응답에서도 우수한 SMD 성능을 보였다.
이러한 분석을 통해서 음악은 특정 주파수에서 시작하 여 일정한 시간 동안 같은 주파수를 유지하는 반면, 음성 의 경우 발성하는 매 순간마다 지속적으로 조금씩 변하는 것을 관찰할 수 있었다. 다음 장에서는 이 러한 특성을 이 용하여 음성과 음악을 구분하는 방법을 제안한다.
이러한 분석을 통해서 음악은 특정 주파수에서 시작하 여 일정한 시간 동안 같은 주파수를 유지하는 반면, 음성 의 경우 발성하는 매 순간마다 지속적으로 조금씩 변하는 것을 관찰할 수 있었다. 다음 장에서는 이 러한 특성을 이 용하여 음성과 음악을 구분하는 방법을 제안한다.
즉 음성과 음악을 구분해 주는 특징 값으로서 주파수 변화율을 사용하고자 한다. 제안한 주파수 변화율인 STR (spectral transition rate) 기반의 SMD 실험 결과, MMCD 기반. 방법보다 전체 적으로 좋은 성능을 보였으며, 특히 음성이 발성되는 과 정에서 조금씩 변하는 주파수 변화율을 사용함으로써 빠 른 응답 속도에서 상대적으로 높은 성능을 보였다.

후속연구

이번 연구에서 고려하지 못한 인접 구간의 판정 결과 를 참조하는 후처리기와, 피치 하모닉스의 인접밴드로 의 이동 문제를 추후에 연구할 계획이다.
이번 연구에서 고려하지 못한 인접 구간의 판정 결과 를 참조하는 후처리기와, 피치 하모닉스의 인접밴드로 의 이동 문제를 추후에 연구할 계획이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

주파수 변화율을 이용한 음성과 음악의 구분
Speech and Music Discrimination Using Spectral Transition Rate 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

주파수 변화율을 이용한 음성과 음악의 구분 Speech and Music Discrimination Using Spectral Transition Rate 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

육동석 (9)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

주파수 변화율을 이용한 음성과 음악의 구분
Speech and Music Discrimination Using Spectral Transition Rate 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper