音乐转录（AMT）库Omnizart论文笔记及实践

---

前言

自动音乐转录（AMT），从原始音频推断音符，是音乐理解核心的一项具有挑战性的任务。与通常关注单个人声的自动语音识别（ASR）不同，AMT 通常需要同时转录多个乐器，同时保留精细的音高和时间信息。
Omnizart库是一个用于AMT任务的python库，收集了目前各种乐器转录的SOTA模型，并提供了统一的命令行接口。

---

一、论文笔记

论文地址：

Omnizart: A General Toolbox for Automatic Music Transcription

摘要

提供并发布了Omnizart，一个新的Python库，它为自动音乐转录（AMT）提供了一个简化的解决方案。
Omnizart包含了基于深度学习的全AMT周期的多个模型，并且提供了便捷的命令行接口供用户调用。
据我们所知，Omnizart是第一个提供多乐器转录的工具包
乐器类别，从独奏、乐器合奏、打击乐器到声乐，以及和弦识别和节拍跟踪模型，两种音乐信息检索（MIR）与AMT高度相关。
Omnizart包含了：
1.用于帧级别和音符级别的转录的预训练模型，支持多音高乐器，人声，鼓事件
2.和弦识别和击打跟踪预训练模型
3.一系列的函数，支撑包括数据集下载，特征预处理，模型训练，转录等功能

背景：

由于音乐信号的多样性，AMT一直是MIR的核心挑战。通常，用各种乐器演奏的音符流相互重叠，以表达音乐中不同层次的信息；
这种特征使识别属性的任务变得复杂(例如，乐器家族、乐器类别、音高和音高轮廓、持续时间、开始时间、和弦或非和弦音调、节拍等)
在音乐中的每个音符和每一段中。以前的研究大多只关注于转录一组有限的属性(例如，钢琴的solo转录和其他类型的仪器的转录)，
而适用于所有类别的仪器的一般解决方案很少看到。
之前的解决方案主要集中于单乐器转录，Omnizart收集了一些此前的SOTA模型，作为一个统一的工具包，提供转录的实现。
Omnizart的预训练模型重现了此前原始论文，且非常接近其最好的性能，并且可以使用单独的数据集进行微调。
除了音乐转录，转录的输出还可以作为其他MIR任务的辅助信息，例如，源代码分离和音乐生成，特别是在缺乏监督资源的情况下。
Omnizart加快AMT研究的发展，并为MIR社区做出贡献

正文

分钢琴、和弦、鼓、人声等识别，每节都是单独的内容，介绍如何复现SOTA的过程和结果，这里就不一一展开。

二、安装过程

按照官方文档：

# Install omnizart
pip install omnizart

# Download the checkpoints
omnizart download-checkpoints

# Transcribe your songs
omnizart drum transcribe .wav>
omnizart chord transcribe .wav>
omnizart music transcribe .wav>

这里遇到个问题，由于网络原因，执行omnizart download-checkpoints的时候报错超时，所以需要手动下载。这里我下载下来方便使用：
omnizart音乐转录库的checkpoints

三、实验ADT

以作者之前编的鼓轨“动次打次.wav”作为测试

执行：omnizart drum transcribe 动次打次.wav
运行成功，片刻后生成了一个mid文件，在musescore打开，见证奇迹 时候到了：

这是什么……

导入LMMS与之前的播放对比：

看到效果确实挺糟糕。速度不对，时值也不对，还多了很多奇怪的休止符

总结

AMT是音乐理解核心的一项具有挑战性的任务，目前的研究也是起步阶段，资料相对较少。本文尝试了omnizart转录库的ADT（自动鼓转录），用了简单的节奏型测试，不知道是否训练数据集的原因，效果不是理想。AMT任务任重道远。

参考：
https://blog.csdn.net/sai_simon/article/details/125783433