Automatic Chord Recognition in Audio Recording

Abstract

Převedení notového záznamu na zvuk je přímočarý úkol, ve kterém stačí následovat dané noty, které jasně popisují, co, kde, jak a čím se má hrát. Inverzní proces je mnohem komplikovanější. Harmonie písně je pro tento úkol velice zásadní. Z harmonie vychází improvizace, sóla, nebo melodie písní. Automatické rozpoznávání akordů je jedním z nejnáročnějších úkolů v oblasti získávání informací o hudbě, který byl během posledních několika desetiletí aktivně prozkoumáván. Nejmodernější algoritmy pracují s hlubokým učením. My jsme těmito algoritmy inspirováni a také zkoumáme možnosti hlubokého učení a jak modely pracují s různými metodami předzpracování. Představujeme také naši uživatelsky přívětivou webovou aplikaci, která bude vizualizovat sled akordů hraného ve zvukové nahrávce, jeho klíč nebo hodnotu BPM. Aplikace také poskytuje stabilnější algoritmus pro neobvyklé nahrávky. Tento model je však pro typické písně mnohem méně přesný než model založený na hlubokém učení. 1

The transformation of sheet music into a sound is a very straightforward task, in which we only have to follow certain instructions, in our case notes and their detailed de- scriptions. The inverse process is much more complicated. For that, the song's harmony is an essential basis. Improvisations, solos, or song melodies are based on it. Automatic Chord Recognition is one of the most challenging tasks in Music Information Retrieval that has been actively researched during the last few decades. State-of-the-art algorithms work with deep learning. These algorithms inspired us. Therefore, we are also explor- ing deep learning possibilities and how they work with various preprocessing methods together. We are also presenting our user-friendly web application that will visualize the chord sequence of an uploaded audio file, its key, and BPM value. The application also provides a more stable algorithm for unusual audios. However, this model is much less accurate for typical songs than the one based on deep learning. 1