文 / Marco Tagliasacchi，研究员，Google Research
音调是声音频率的定性度量，其中高音的频率高于低音的频率。通过追踪音调中的相对差异，我们的听觉系统能够识别出如歌曲的旋律等许多音频特征。由于在音乐信息检索和语音分析等诸多领域占据核心地位，基音检测已在过去几十年间引起广泛关注。
长久以来，进行基音估计的推荐方法是简单的信号处理流水线，在时域 (time domain) 进行处理（如，pYIN）或者在频域 (frequency domain) 上进行处理（例如，SWIPE）。
在此，由于缺少标注数据，机器学习无法超越上述手工设计的信号处理流水线。训练全监督模型所需的数据需要从时间分辨率和频率分辨率中获得，获取过程困难、繁琐。之后出现了 CREPE 模型，通过结合其他手动标注数据集后生成的综合数据集，CREPE 能够突破这些限制，得出最优结果 (SOTA)。
在近期发布的 论文 中，我们介绍了一种与以往不同的方法，在缺少标记数据的情况下，训练基音估计模型的方法。对人类（包括专业音乐家）而言，估计相对音高（判断两个音之间谁更高）通常会比估计绝对音高（判断出声音的实际音高，能说出音名）容易得多。受此观察结果的启发，我们设计了 SPICE（自监督式基音估计）来完成类似任务。此方法依靠 自我监督 ，方法是定义能够以完全无监督方式学习的辅助任务（Auxiliary Task，又名 Pretext Task）。
音频片段的 常数 Q 转换 (Constant-Q transform)，叠加在由 SPICE 估测的音调表征上，视频
SPICE 模型包含卷积层编码器，可生成能线性映射至音高的单标量嵌入 (Single Scalar Embedding)。为实现这一点，我们编码器输入两段信号，一段是参考信号，另一段是用随机生成的向量对参考信号进行定量移调后的新信号。然后，我们设计一个损失函数，促使标量嵌入间的差异与音调间的已知定量差异成比例。为方便起见，我们按照常数 Q 变换 (CQT) 定义的域来进行音高变换，因为这相当于在对数标度的频率轴上做简单平移。
SPICE 仅会在底层信号为 谐波 (Harmonic)，即一个周期中包含基频的整数倍，才会对音高作出准确定义。因此，模型的一个重要功能是确定何时可得出有意义且可靠的输出结果。例如，在下图中，由于 1.2 秒至 2 秒内没有谐波信号，所以基音估计的置信度较低，未能生成基音估计结果。SPICE 旨在以自我监督的方式来学习基音估计的置信水平，而不是依赖手工设计的解决方案。
SPICE 模型架构（简化版）。我们将同一 CQT 框架的两个音高变换版本馈送至具有共享权重的两个编码器。损失函数旨在使编码器输出间的结果差异与相对音高差异成比例。此外（未显示），另添加重构损失以对模型进行正则化调整。模型还会学习计算基音估计的置信度。
我们利用公开可用的数据集来评估我们的模型。结果表明，尽管 无法使用真实标签 ，但模型的表现优于手工设计解决方案的基线，并与 CREPE 达到的相当的准确度。此外，通过在训练期间适当地增强数据，SPICE 亦可在有噪声干扰的环境下运行，例如，当歌声与背景音乐混杂在一起时，SPICE 可提取歌声的音高。下图所示为 SWIPE（手工设计的信号处理方法）、CREPE（全监督式模型）和 SPICE（自监督式模型）在 MIR-1k 数据集上的比较结果。
在混杂不同信噪比背景音乐的情况下，对 MIR-1k 数据集的评估结果
我们已在 FreddieMeter 中部署 SPICE 模型。FreddieMeter 是一款网络应用，演唱者可使用软件与为他们模仿 Freddie Mercury 的表现打分。
致谢
文中所述论文由 Beat Gfeller、Christian Frank、Dominik Roblek、Matt Sharifi、Marco Tagliasacchi 和 Mihajlo Velimirović 创作。
我们非常感谢 Google 的同事们对这项工作的所有探讨和反馈。本研究中用于训练模型的 SingingVoices 数据集由 Alexandra Gherghina 收集，并会成为 FreddieMeter 的一部分，该应用会使用 SPICE 和音色相似度模型来了解歌手与 Freddie Mercury 之间的相似程度。
原文：SPICE: Self-Supervised Pitch Estimation
译：TensorFlow 公众号