【技术实现步骤摘要】
本专利技术涉及数据处理，特别涉及一种伴奏风格迁移方法、装置、设备及可读存储介质。
技术介绍
1、歌曲伴奏风格迁移是指将歌曲伴奏重新演奏或处理，使新歌曲伴奏的风格接近原曲伴奏风格，但两者又保持差异。当前对伴奏风格进行迁移的方法为基于人工演奏的方法，该方法首先通过人工试听原曲伴奏，分析记录下每种乐器的演奏方式，然后选择相似的乐器，按照原曲伴奏的方式进行现场演奏，最后混音工程师通过调整演奏的单一乐器轨按照原曲伴奏的比例进行混音。因此，当前在进行伴奏风格迁移时，主要基于人工进行迁移，故迁移效率较低，需要提供一种方法提高伴奏风格迁移的效率。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种伴奏风格迁移方法、装置、设备及可读存储介质，解决了现有技术中伴奏风格迁移效率较低的技术问题。
2、为解决上述技术问题，本专利技术提供了一种伴奏风格迁移方法，包括：
3、对原始乐器信号中的单一乐器轨信号进行归一化处理，得到目标归一化乐器信号；
4、利用风格提取模型对所述单一乐器轨信号进行风格向量提取，得到目标乐器风格向量；其中，所述风格提取模型为提取乐器轨信号风格特征的模型；
5、基于所述原始乐器信号的所述目标归一化乐器信号和所述目标乐器风格向量，利用风格迁移模型进行风格迁移，得到目标乐器伴奏信号；其中，所述风格迁移模型为基于风格向量和归一化乐器信号改编乐器信号的模型。
6、可选的，所述对原始乐器信号中的单一乐器轨信号进行归一化处理，得到目标
7、利用音乐分离模型对所述原始乐器信号进行分离，得到多个乐器轨不同的所述单一乐器轨信号；
8、分别对各个所述单一乐器轨信号进行归一化处理，得到多个所述目标归一化乐器信号。
9、可选的，在所述利用风格提取模型对所述单一乐器轨信号进行风格向量提取，得到目标乐器风格向量之前，还包括：
10、对多个单一训练乐器信号进行归一化处理，得到多个训练归一化乐器信号；
11、利用风格生成器对所述多个单一训练乐器信号进行处理，得到多个训练乐器风格；
12、将所述多个训练归一化乐器信号和所述多个训练乐器风格进行叠加处理，得到风格提取训练样本；
13、基于所述风格提取训练样本对机器模型进行训练，得到所述风格提取模型。
14、可选的，所述基于所述风格提取训练样本对机器模型进行训练，得到所述风格提取模型，包括：
15、将所述风格提取训练样本中的不同训练归一化乐器信号叠加同一训练乐器风格的样本作为正样本组；
16、将所述风格提取训练样本中的同一训练归一化乐器信号叠加不同训练乐器风格的样本作为负样本组；
17、利用所述正样本组和所述负样本组对基于三元组损失函数的机器模型进行训练，得到所述风格提取模型；其中，所述三元组损失函数为最小化正样本组的距离且最大化负样本的距离的函数。
18、可选的，在所述基于所述原始乐器信号的所述目标归一化乐器信号和所述目标乐器风格向量，利用风格迁移模型进行风格迁移，得到目标乐器伴奏信号之前，还包括：
19、对风格迁移训练乐器信号进行归一化处理得到风格迁移训练归一化乐器信号；
20、利用所述风格提取模型对所述风格迁移训练乐器信号进行风格向量提取，得到风格迁移训练乐器信号向量；
21、基于所述风格迁移训练归一化乐器信号和所述风格迁移训练乐器信号向量，对原始风格迁移模型进行训练，得到所述风格迁移模型。
22、可选的，所述基于所述风格迁移训练归一化乐器信号和所述风格迁移训练乐器信号向量，对原始风格迁移模型进行训练，得到所述风格迁移模型，包括：
23、利用所述风格迁移训练归一化乐器信号和所述风格迁移训练乐器信号向量，对基于范数损失最小绝对值偏差损失函数的所述原始风格迁移模型进行训练，得到所述风格迁移模型。
24、可选的，所述基于所述原始乐器信号的所述目标归一化乐器信号和所述目标乐器风格向量，利用风格迁移模型进行风格迁移，得到目标乐器伴奏信号，包括：
25、确定所述目标归一化乐器信号和所述目标乐器风格向量的个数；
26、当所述目标归一化乐器信号和所述目标乐器风格向量都是单个时，利用所述风格迁移模型直接生成所述目标乐器伴奏信号；
27、当所述目标归一化乐器信号和所述目标乐器风格向量不都是单个时，利用所述风格迁移模型生成多个改编乐器轨信号，并对所述多个改编乐器轨信号进行混音得到所述目标乐器伴奏信号。
28、可选的，在所述基于所述原始乐器信号的所述目标归一化乐器信号和所述目标乐器风格向量，利用风格迁移模型进行风格迁移，得到目标乐器伴奏信号之后，还包括：
29、基于所述原始乐器信号的音乐旋律属性对所述目标乐器伴奏信号进行校准，得到目标校准乐器信号。
30、可选的，所述基于所述原始乐器信号的音乐旋律属性对所述目标乐器伴奏信号进行校准，得到目标校准乐器信号，包括：
31、利用响度校准乐器信号模型，基于所述原始乐器信号的校准响度对所述目标乐器伴奏信号的响度进行响度校准，得到目标响度校准乐器信号；其中，所述响度校准乐器信号模型为xnew(t)＝ax(t)，xnew(t)为所述目标响度校准乐器信号，x(t)为原始乐器信号的校准响度，m表示乐器轨道的数量。
32、可选的，所述对原始乐器信号中的单一乐器轨信号进行归一化处理，得到目标归一化乐器信号，包括：
33、对所述原始乐器信号中的所述单一乐器轨信号进行归一化处理，得到所述目标归一化乐器信号；其中，所述单一乐器轨信号至少包括钢琴轨、鼓轨、贝斯轨和琵琶轨中的至少一种。
34、本专利技术还提供了一种伴奏风格迁移装置，包括：
35、归一化乐器信号生成模块，用于对原始乐器信号中的单一乐器轨信号进行归一化处理，得到目标归一化乐器信号；
36、风格向量提取模块，用于利用风格提取模型对所述单一乐器轨信号进行风格向量提取，得到目标乐器风格向量；其中，所述风格提取模型为提取乐器轨信号风格特征的模型；
37、风格迁移模块，用于基于所述原始乐器信号的所述目标归一化乐器信号和所述目标乐器风格向量，利用风格迁移模型进行风格迁移，得到目标乐器伴奏信号；其中，所述风格迁移模型为基于风格向量和归一化乐器信号改编乐器信号的模型。
38、本专利技术还提供了一种伴奏风格迁移设备，包括：
39、存储器，用于存储计算机程序；
40、处理器，用于执行所述计算机程序时实现上述的伴奏风格迁移方法的步骤。
41、本专利技术还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的伴奏风格迁移方法的步骤。
42、可见，本专利技术通过对原始乐器信号中的单一乐器轨信号进行归一化处理，得到目标归一化乐器信号；利用风格本文档来自技高网...
【技术保护点】
1.一种伴奏风格迁移方法，其特征在于，包括：
2.根据权利要求1所述的伴奏风格迁移方法，其特征在于，所述对原始乐器信号中的单一乐器轨信号进行归一化处理，得到目标归一化乐器信号，包括：
3.根据权利要求1所述的伴奏风格迁移方法，其特征在于，在所述利用风格提取模型对所述单一乐器轨信号进行风格向量提取，得到目标乐器风格向量之前，还包括：
4.根据权利要求3所述的伴奏风格迁移方法，其特征在于，所述基于所述风格提取训练样本对机器模型进行训练，得到所述风格提取模型，包括：
5.根据权利要求1至4任一项所述的伴奏风格迁移方法，其特征在于，在所述基于所述原始乐器信号的所述目标归一化乐器信号和所述目标乐器风格向量，利用风格迁移模型进行风格迁移，得到目标乐器伴奏信号之前，还包括：
6.根据权利要求5所述的伴奏风格迁移方法，其特征在于，所述基于所述风格迁移训练归一化乐器信号和所述风格迁移训练乐器信号向量，对原始风格迁移模型进行训练，得到所述风格迁移模型，包括：
7.根据权利要求1所述的伴奏风格迁移方法，其特征在于，所述基于所述原始
8.根据权利要求1所述的伴奏风格迁移方法，其特征在于，在所述基于所述原始乐器信号的所述目标归一化乐器信号和所述目标乐器风格向量，利用风格迁移模型进行风格迁移，得到目标乐器伴奏信号之后，还包括：
9.根据权利要求8所述的伴奏风格迁移方法，其特征在于，所述基于所述原始乐器信号的音乐旋律属性对所述目标乐器伴奏信号进行校准，得到目标校准乐器信号，包括：
10.根据权利要求1所述的伴奏风格迁移方法，其特征在于，所述对原始乐器信号中的单一乐器轨信号进行归一化处理，得到目标归一化乐器信号，包括：
11.一种伴奏风格迁移装置，其特征在于，包括：
12.一种伴奏风格迁移设备，其特征在于，包括：
13.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述的伴奏风格迁移方法的步骤。
...【技术特征摘要】
1.一种伴奏风格迁移方法，其特征在于，包括：
2.根据权利要求1所述的伴奏风格迁移方法，其特征在于，所述对原始乐器信号中的单一乐器轨信号进行归一化处理，得到目标归一化乐器信号，包括：
3.根据权利要求1所述的伴奏风格迁移方法，其特征在于，在所述利用风格提取模型对所述单一乐器轨信号进行风格向量提取，得到目标乐器风格向量之前，还包括：
4.根据权利要求3所述的伴奏风格迁移方法，其特征在于，所述基于所述风格提取训练样本对机器模型进行训练，得到所述风格提取模型，包括：
5.根据权利要求1至4任一项所述的伴奏风格迁移方法，其特征在于，在所述基于所述原始乐器信号的所述目标归一化乐器信号和所述目标乐器风格向量，利用风格迁移模型进行风格迁移，得到目标乐器伴奏信号之前，还包括：
6.根据权利要求5所述的伴奏风格迁移方法，其特征在于，所述基于所述风格迁移训练归一化乐器信号和所述风格迁移训练乐器信号向量，对原始风格迁移模型进行训练，得到所述风格迁移模型，包括：
7.根据权利要求1所述的伴奏风格迁移方...
【专利技术属性】
技术研发人员：何礼，
申请(专利权)人：腾讯音乐娱乐科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。