В статье рассматривается задача автоматизации мастеринга аудиозаписей с использованием методов машинного обучения и цифровой обработки сигналов. Актуальность обусловлена стремительным ростом объемов аудиоконтента и потребностью в доступных инструментах профессиональной обработки звука для независимых музыкантов и малых студий. В работе предложена гибридная система, интегрирующая классификатор музыкальных жанров на основе метода опорных векторов с мел-кепстральными коэффициентами и модуль цифровой обработки сигналов, включающий эквализацию, компрессию, фильтрацию верхних и нижних частот, а также нормализацию громкости. Обучение классификатора выполнено на датасете GTZAN, а параметры обработки извлечены из датасета MUSDB18-HQ, содержащего треки с вокалом, на основе анализа среднеквадратичной амплитуды и распределения энергии по частотным диапазонам. Тестирование на выборке из пятнадцати треков пяти жанров показало, что использование MUSDB18-HQ повышает точность классификации жанров с 46,6 % до 60 % и увеличивает отношение сигнал-шум по сравнению с моделью, обученной только на GTZAN. Сравнение с коммерческим аналогом показывает отставание разработанной системы по объективным метрикам, но система обладает преимуществами в виде прозрачности параметров обработки благодаря наличию элемента логирования, простоты использования и отсутствия платы за использование. Новизна работы заключается в использовании открытого классификатора жанров с модулем цифровой обработки сигналов и адаптации параметров мастеринга для треков с вокалом. Практическая значимость состоит в создании доступного прототипа для образовательных целей и обработки демо-записей. В дальнейшем планируется замена метода опорных векторов на нейросетевые архитектуры и расширение поддержки аудиоформатов.
The article addresses the problem of automating audio mastering using machine learning and digital signal processing methods. The study is relevant due to the rapid growth in the volume of audio content and the need for affordable professional sound processing tools for independent musicians and small studios. A hybrid system is proposed that integrates a music genre classifier (a support vector machine with mel-frequency cepstral coefficients) and a digital signal processing module including equalization, compression, high-pass and low-pass filtering, as well as loudness normalization. The classifier was trained on the GTZAN dataset, while the processing parameters were extracted from the MUSDB18-HQ dataset containing vocal tracks, based on the analysis of root-mean-square amplitude and energy distribution across frequency ranges. Experimental testing on a sample of fifteen tracks of five genres showed that the use of MUSDB18-HQ increases genre classification accuracy from 46.6 % to 60.0 % and improves the signal-to-noise ratio by 2.2 dB compared to the model trained only on GTZAN. Comparison with a commercial counterpart shows that the developed system lags behind in terms of objective metrics; however, the system has advantages: complete transparency of processing parameters due to a detailed log, ease of use, and no usage fee. The novelty of the work lies in the integration of an openly available genre classifier with a digital signal processing module and the adaptation of mastering parameters for vocal tracks. The practical significance lies in the creation of an accessible prototype for educational purposes and for processing demo recordings. Future work includes replacing the support vector machine with neural-network architectures and expanding support for audio formats.
The authors declare that there are no conflicts of interest present.