要设计一个准确的基于哼唱的查询系统，重点在于三个核心组件：强大的音频处理、有效的特征提取以及灵活的匹配算法。该系统必须将哼唱输入转换为结构化表示，以便与已知旋律的数据库进行有效比较。这涉及到处理音高、节奏和录音质量的变化，同时保持计算效率。
首先，处理原始音频输入以隔离旋律。使用诸如频谱减法之类的降噪技术来最小化背景干扰，并应用预加重滤波器来增强对音高检测至关重要的高频。 使用时频分析（例如，短时傅里叶变换）结合诸如 YIN 或自相关之类的音高检测算法将信号转换为音高轮廓。 例如，YIN 通过分析波形中的周期性来识别基频，即使在不完美的哼唱中也能很好地工作。 接下来，通过检测稳定的音高区域和转换将音高序列分割成离散的音符。将频率转换为 MIDI 音符编号，并导出相对音高间隔（例如，对于大二度为 +2 个半音）以标准化转调。 还应提取诸如音符持续时间和起始间隔之类的节奏特征，并按节奏进行标准化，例如，将所有持续时间缩放到常见的每分钟节拍数 (BPM) 基线。
匹配算法必须将提取的特征与参考音轨数据库进行比较。 使用动态时间规整 (DTW) 将查询的音高和节奏序列与候选旋律对齐，从而适应节奏变化。 例如，DTW 可以拉伸或压缩时间轴，以找到哼唱查询和存储的旋律之间的最佳对齐方式。 将此与相似性度量相结合，例如音高间隔的余弦相似性或节奏模式的编辑距离。 为了提高效率，使用音符序列的 n 元哈希或局部敏感哈希 (LSH) 等技术对数据库进行索引以进行近似匹配。 例如，将旋律分解为 3 音符的子序列（三元组）即使查询不完整或包含错误，也可以进行快速查找。 此外，训练一个机器学习模型（例如，Siamese 神经网络）以从标记的哼唱查询和真实旋律的对中学习稳健的相似性分数，这可以比基于规则的方法更好地处理细微的音高不准确性。
最后，通过为常见的用户错误进行设计来增强稳健性。 对于音高变化，在音符匹配期间允许一个容差窗口（例如，±1 个半音）。 为了解决节奏不一致问题，请使用节拍跟踪算法在将查询与数据库进行比较之前标准化查询的节奏。 实施反馈机制：如果用户拒绝匹配项，请记录差异以重新训练模型或调整相似性阈值。 例如，如果用户始终以扁平的三度音哼唱特定歌曲，则系统可以学习优先匹配具有该偏差的歌曲。 定期使用新条目和用户更正的示例更新数据库，以随着时间的推移提高准确性。 通过结合信号处理、自适应匹配和迭代学习，系统可以可靠地将不完美的哼唱映射到正确的旋律。