是否可以將 Shazam 稱為有聽歌識曲功能應(yīng)用的鼻祖？

2018 年 9 月，蘋果最終以 4 億美金完成對 Shazam 公司的收購，讓不少人為之振奮，在當(dāng)時對外公布的一份聲明中可以看到，自Shazam應(yīng)用登陸App Store以來，是其最受歡迎的iOS應(yīng)用之一。

其實(shí)早在蘋果 iPhone “出道”之前，Shazam 提供的音樂識別服務(wù)和技術(shù)就已戳中了不少用戶的痛點(diǎn)。例如，當(dāng)外界播放一首你喜愛的歌曲時，手機(jī)應(yīng)用能識別出該歌曲并調(diào)出手機(jī)內(nèi)同樣的歌曲/原唱，完成后在手機(jī)上播放出來。

像最早流行的 Gracenote、SoundHound、Track ID、Tunatic，以及如今的第三方音樂 App 如 QQ音樂、網(wǎng)易云音樂，甚至微信“搖一搖”等也都具備音樂識別的功能。

只不過，據(jù)資料顯示，在Shazam 公司 1999 年成立之初，以非常“原始”的方式提供服務(wù)的：“用戶聽到歌曲，打一個服務(wù)短號碼，讓電話那頭聽到，然后自動掛斷，歌曲信息以短信的形式發(fā)到用戶手機(jī)上。”

如今，無論被收購之后的 Shazam 是因何種戰(zhàn)略地位為蘋果生態(tài)提供服務(wù)，與其他類似的音樂識別軟件在操作界面、細(xì)節(jié)功能有哪些不同，Shazam 仍受到大眾的認(rèn)可。拋開此前與蘋果的關(guān)系、服務(wù)能力不提，Shazam 在音頻識別上的技術(shù)能力得到公認(rèn)的。

實(shí)際上，早在 2003 年 Shazam 聯(lián)合創(chuàng)始人之一的 Avery Li-Chun Wang 就發(fā)表了一篇論文“An Industrial-Strength Audio Search Algorithm”（《一種工業(yè)級音頻搜索算法》），提出了基于指紋（fringerprint）的音樂搜索算法，因其檢索準(zhǔn)確率較高，得到了不少算法工程師的關(guān)注。

編者注：來自維基百科：聲學(xué)指紋（Acoustic fingerprint）是通過特定算法從音頻信號中提取的一段數(shù)字摘要，用于識別聲音樣本或者快速定位音頻數(shù)據(jù)庫中的相似音頻。

根據(jù)論文資料，Shazam 設(shè)計了一套非常靈活的音頻搜索引擎。其算法抗噪聲和擾動能力強(qiáng)，計算復(fù)雜度低，同時具有很高的可擴(kuò)展性。即使外界噪音很強(qiáng)，它也可以迅速通過手機(jī)錄制的一小段壓縮音頻從百萬級的曲庫中辨識出正確的歌曲。該算法運(yùn)用分析音頻頻譜上的星狀圖來組合時間-頻率信息構(gòu)造哈希，從而可以將混合在一起的幾首歌都辨識出來。此外，針對不同的應(yīng)用，即使曲庫非常大，檢索速度也能達(dá)到毫秒級。

其核心簡言之是，用戶將某段音頻中的一個片段上傳至 Shazam，Shazam 會首先提取指紋，然后查詢數(shù)據(jù)庫，最后利用其精準(zhǔn)的識別算法返回歌名。指紋可以看做該音頻的哈希值（Hash），一個帶有時間屬性的數(shù)字集合。

2015 年，一位名叫 Christophe 的工程師寫了篇萬字長文，完整分析了Shazam的原理是什么，并表示，在過去的三年時間里，他用了大概 200 個小時來理解信號處理的概念，其背后的數(shù)學(xué)原理，并制作了自己的Shazam原型。他甚至直言：“寫這篇文章是因為此前從沒有找到一篇真正理解 Shazam 的文章”。

那么，如何更快更好理解 Shazam 背后的算法奧秘呢？前不久，YouTube上一個專門普及工程知識的頻道 Real Engineering 上傳了一段 10 分鐘視頻，可幫助人們快速 Get 到相關(guān)知識點(diǎn)。

傳送門：https://www.youtube.com/watch?v=kMNSAhsyiDg

相比起人類，計算機(jī)對音樂沒有直觀的理解，它只能將歌曲與其數(shù)據(jù)庫中的其他歌曲進(jìn)行對比匹配。為此，視頻中 Real Engineering 重點(diǎn)提及了兩個概念：“星狀圖”和“哈希函數(shù)”，并對基于“指紋”的搜索算法進(jìn)行了通俗化解釋。

例如，人類大腦可很容易區(qū)分鋼琴和吉他的音色，但對計算機(jī)來講，就需要一種能夠量化這些特征以便進(jìn)行識別的方法，即頻譜圖，一種聲音的視覺顯示。

在視頻中，研究者嘗試用一張三維圖來表示：x 軸代表時間，y 軸代表頻率，z 軸代表振幅/響度（通常用某種顏色表示）。

如此，計算機(jī)就可以通過這個三維圖來識別聲音并存儲數(shù)據(jù)。不過，會有個問題：頻譜圖中有大量這樣的數(shù)據(jù)，而且數(shù)據(jù)越多，需要通過計算匹配的時間就越長。

所以，減少計算時間的第一步就是減少分類歌曲的數(shù)據(jù)。

Shazam 采用的稱之為“指紋”的技術(shù)，可將這些頻譜圖轉(zhuǎn)換成看起來像的“星狀圖”。

每顆星星代表特定時間最強(qiáng)的頻率。如此，不僅降低了頻譜圖的維度，還減少了圖表上數(shù)據(jù)點(diǎn)的數(shù)量。

然后，Shazam 數(shù)據(jù)庫中的每首單曲都以“指紋”的形式存儲起來。

當(dāng)用戶打開 Shazam 應(yīng)用時，后臺將訪問手機(jī)的麥克風(fēng)，并創(chuàng)建一組接收到的聲波“指紋”。不過，這種方式也有助于應(yīng)用過濾噪聲，因為它只會創(chuàng)建突出頻率的數(shù)據(jù)點(diǎn)。

音頻創(chuàng)建完成，并將其發(fā)送到服務(wù)器。此時，Shazam的識別過程正式開始，即“快速組合哈希”（Fast Combinatorial Hashing）。

論文鏈接：https://www.ee.columbia.edu/~dpwe/papers/Wang03-shazam.pdf

Shazam 會將“指紋”進(jìn)行分類，并搜索在該音頻中的某個特定時間點(diǎn)里分別存在哪幾個音符，這也是哈希表的可搜索地址。

注：在計算機(jī)領(lǐng)域，哈希和哈希函數(shù)應(yīng)用十分廣泛。例如，在谷歌的搜索引擎算法中就應(yīng)用了哈希函數(shù)，以確保文件可被下載。一句話解釋就是，任意長度的輸入通過哈希函數(shù)變換成固定長度的輸出，該輸出就是哈希值。

實(shí)踐中，輸入可以是一小段文字如密碼，也可以是像整部電影一樣的長數(shù)據(jù)流。

為免枯燥乏味，視頻里還舉了個生動的例子：在圖書館如何通過搜索書的標(biāo)題確定書的位置？

可以通過哈希函數(shù)來決定，書的標(biāo)題為輸入，書架的位置為輸出。在這個過程中，我們會遇到書籍不均勻分布、書目沖撞、以及如何快速找到所需書目的問題。

例如，如果圖書館只有兩個架子，那么書目沖撞（一個書架上有相同標(biāo)題的書）的問題將十分突出；但如果圖書館有十億書架，那哈希函數(shù)得出的書目沖撞結(jié)果應(yīng)該會很小。

回到以上提到的案例，如果通過哈希函數(shù)，選擇兩組頻率數(shù)據(jù)，分別除以時間并作為輸入，輸出的數(shù)字介于 1 至 10 億之間。

首先，計算機(jī)將瀏覽歌曲數(shù)據(jù)庫并計算每個錨點(diǎn)（anchor point）的哈希；一首歌曲將包含多個錨點(diǎn)，將有助于計算機(jī)對音頻片段按錨點(diǎn)、后面的以及之間的頻率進(jìn)行分類。

然后，對每個錨點(diǎn)按哈希進(jìn)行排列。

這些地址同樣以歌曲 ID 和時間戳進(jìn)行分類。

如此，便可以更快定位，并找到本來需要多個錨點(diǎn)才能找到的音樂。

以上只是大致介紹，想要了解 Shazam 聽歌識曲背后的詳細(xì)原理，可以查看Christophe 寫的萬字長文。