musicinformationretrieval.com

简介

1. 关于本站
2. 什么是MIR？
3. Python基础与依赖
4. Jupyter基础
5. Jupyter音频基础
6. SoX与ffmpeg
7. NumPy与SciPy基础

音乐表示法

1. 乐谱表示法
2. 符号化表示法
3. 音频表示法
4. 调音系统
5. MIDI音符到频率转换表
6. 通过声音化理解音频特征

信号分析与特征提取

1. 基础特征提取
2. 分段
3. 能量与均方根误差
4. 过零率
5. 傅里叶变换
6. 短时傅里叶变换与频谱图
7. 恒Q变换与色度特征
8. 视频：色度特征
9. 幅度归一化
10. 频谱特征
11. 自相关
12. 音高转录练习

节奏、速度与节拍跟踪

1. 新颖性函数
2. 峰值检测
3. 起始点检测
4. 基于起始点的回溯式分段
5. 速度估计
6. 节拍跟踪
7. 视频：速度与节拍跟踪
8. 使用ADTLib进行鼓乐转录

机器学习

1. K均值聚类
2. 练习：使用K均值进行无监督乐器分类
3. 神经网络
4. 流派识别
5. 练习：流派识别

评估

1. mir_eval简介
2. 节拍检测
3. 节拍跟踪
4. 和弦估计

音乐同步

1. 动态规划
2. 最长公共子序列
3. 动态时间规整
4. 动态时间规整示例

音乐结构分析

1. 梅尔频率倒谱系数

基于内容的音频检索

1. 局部敏感哈希

音乐信息驱动的音频分解

1. 主成分分析
2. 非负矩阵分解
3. NMF音频马赛克
4. 谐波-打击乐源分离

纯粹娱乐

1. 实时频谱图
2. THX标志主题曲

关于

1. 《音乐处理基础》一书简介
2. CCRMA音乐信息检索研讨会简介

---

本仓库包含与音乐信息检索（MIR）相关的教学笔记本。这些笔记本中包含了用于演示基本MIR系统的Python代码片段，您可以在笔记本内部直接运行这些代码。

这些笔记本运行在binder平台上，以确保在一致的计算环境中获得可重复的结果。

更新

2025年10月22日：大家好！我是Huw Cheston，很高兴能与Iran合作，作为EPSRC“通过音乐培养AI技能”项目的一部分，共同推进本网站的现代化改造。我在剑桥大学完成了MIR方向的博士学位，目前就职于女王玛丽大学数字音乐中心。欢迎随时联系我打招呼！h \<dot\> cheston \<at\> qmul \<dot\> ac \<dot\> uk。

2023年10月9日：大家好！我是Iran R. Roman，很荣幸成为musicinformationretrieval.com的新管理员。欢迎大家随时联系我打招呼，我很期待与各位交流！iran <at> ccrma <dot> stanford <dot> edu

2022年4月22日：现在是2022年，Colab似乎比几年前更加流行且易于使用。您可以帮助我将musicinformationretrieval.com迁移到Colab平台。 编辑一个Colab笔记本，并提交拉取请求。请告知我：iran <at> ccrma <dot> stanford <dot> edu。

贡献

我们欢迎您的贡献！您可以通过两种方式参与：

1. 提交问题。点击右侧导航栏中的“Issues”，然后选择“New Issue”。问题可以包括Python代码错误、拼写错误、失效链接、对新内容的需求等。

2. 提交对源代码或文档的更改。fork此仓库，在您的分支上进行编辑，然后提交pull request。gh-pages是该仓库的默认分支。请尽量遵循现有笔记本中的风格规范。如果您提交了拉取请求，请告知我：iran <at> ccrma <dot> stanford <dot> edu。

musicinformationretrieval.com 快速上手指南

musicinformationretrieval.com 是一个开源的音乐信息检索（MIR）教学项目，包含一系列基于 Python 和 Jupyter Notebook 的交互式教程，涵盖从基础信号处理到机器学习在音乐分析中的应用。

环境准备

本项目设计为在云端或本地环境中运行，推荐优先使用云端环境以避免复杂的依赖配置。

系统要求

• 操作系统：Windows, macOS, 或 Linux
• 浏览器：现代浏览器（Chrome, Firefox, Edge 等）
• 内存：建议 4GB 以上（本地运行时）

前置依赖

若选择本地运行，需安装以下工具：

• Python 3.8+
• Jupyter Notebook / JupyterLab
• 核心库：numpy, scipy, librosa, matplotlib, mir_eval, soundfile
• 外部工具：ffmpeg, sox (用于音频处理)

注意：本项目官方推荐使用 Binder 在线运行，无需本地安装任何依赖即可直接体验所有教程。

安装步骤

方案一：在线运行（推荐）

无需安装，直接点击仓库中的链接即可在浏览器中运行代码。所有笔记本均配置了可复现的计算环境。

1. 访问项目 GitHub 页面：HuwCheston/musicinformationretrieval.com
2. 点击任意 .ipynb 文件链接（链接格式通常为 https://mybinder.org/...）。
3. 等待 Binder 构建环境（首次加载约需 1-3 分钟），即可开始交互。

方案二：本地安装

若需离线开发或修改代码，请按以下步骤操作：

1. 克隆仓库

   git clone https://github.com/HuwCheston/musicinformationretrieval.com.git
   cd musicinformationretrieval.com
   

2. 安装系统级音频工具

   • Ubuntu/Debian:

     sudo apt-get update
     sudo apt-get install ffmpeg sox
     

   • macOS (需安装 Homebrew):

     brew install ffmpeg sox
     

   • Windows: 请下载并安装 ffmpeg 和 SoX，并将它们添加到系统环境变量 PATH 中。

3. 创建虚拟环境并安装 Python 依赖

   python -m venv mir_env
   source mir_env/bin/activate  # Windows 用户请使用: mir_env\Scripts\activate
   
   pip install -r requirements.txt
   

   (注：若根目录无 requirements.txt，请安装核心库)

   pip install numpy scipy librosa matplotlib mir_eval soundfile jupyter
   

4. 启动 Jupyter

   jupyter notebook
   

   在浏览器中打开 content 目录下的笔记本文件。

基本使用

本项目的核心是通过执行 Notebook 中的代码块来学习 MIR 概念。以下是一个最简单的示例，演示如何加载音频并提取基本特征。

示例：加载音频并绘制波形

1. 打开 content/1_introduction/ipython_audio.ipynb 或新建一个 Notebook。
2. 导入必要的库并加载音频文件：

import librosa
import matplotlib.pyplot as plt
import numpy as np

# 加载示例音频 (librosa 自带示例)
y, sr = librosa.load(librosa.ex('trumpet'))

# 绘制波形图
plt.figure(figsize=(10, 4))
plt.plot(np.linspace(0, len(y)/sr, num=len(y)), y)
plt.title('Audio Waveform')
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.tight_layout()
plt.show()

# 播放音频 (仅在 Jupyter 环境中有效)
import IPython.display as ipd
ipd.Audio(y, rate=sr)

3. 按 Shift + Enter 运行单元格，即可看到波形图并听到声音。

学习路径建议

• 入门：从 1_introduction 章节开始，熟悉 Python 基础和 Jupyter 操作。
• 核心概念：进入 2_music_representations 和 3_signal_analysis，学习乐谱表示、傅里叶变换、色谱图（Chroma）等核心特征。
• 进阶应用：探索 4_rhythm_tempo_beat（节奏与节拍追踪）和 5_machine_learning（机器学习分类）。
• 评估与同步：参考 6_evaluation 学习如何使用 mir_eval 评估算法效果，或在 7_music_synchronization 中学习动态时间规整（DTW）。