Tạo mô hình phân loại nhạc bằng học máy

BởiChu Minh Nam5 phút đọc177 lượt xem

Chia sẻ

Phân loại thể loại nhạc tự động là ứng dụng thiết thực của machine learning trong xử lý tín hiệu âm thanh. Nó không chỉ giúp các nền tảng như Spotify, YouTube Music hay Apple Music cá nhân hóa trải nghiệm người dùng mà còn hỗ trợ phân tích xu hướng, tạo playlist thông minh, và lọc nội dung phù hợp. Thông qua mô hình phân loại, hệ thống có thể nhận biết nhanh chóng các thể loại như pop, rock, jazz, classical, Metal…

Trong bài viết này, bạn sẽ học cách xây dựng một mô hình phân loại nhạc hiệu quả từ đầu đến cuối: từ chuẩn hóa dữ liệu, trích xuất đặc trưng âm thanh với LibROSA, huấn luyện mô hình Scikit‑learn hoặc TensorFlow, đến đánh giá mô hình và mô tả mở rộng. Nếu bạn đã từng thực hiện các bài như Tự động phân loại ảnh thời trang bằng AI hoặc Tạo chức năng nhận dạng ảnh trong app di động, thì đây là cơ hội mở rộng sang dạng dữ liệu âm thanh đầy tiềm năng.

Dữ liệu nhạc tồn tại và dễ tải

Hiện nay, GTZAN dataset là một benchmark phổ biến và dễ truy cập:

GTZAN Genre Dataset: gồm 1000 file âm thanh .wav, mỗi file dài 30 giây, chia thành 10 thể loại nhạc (blues, classical, country, disco, hiphop, jazz, metal, pop, reggae, rock).
Có thể tải từ Kaggle: GTZAN Dataset – Music Genre Classification
Cũng có thể truy cập qua TensorFlow Datasets (TFDS): tfds.audio.gtzan.GTZAN Kaggle+12TensorFlow+12mindspore.cn+12

Dataset được tổ chức và được giữ lưu trữ lâu dài qua các nền tảng chính thức, nên bạn hoàn toàn yên tâm về độ tồn tại.

Chuẩn bị môi trường và dữ liệu

Cài đặt thư viện cần thiết:

pip install librosa scikit-learn tensorflow-datasets matplotlib numpy

Load dataset GTZAN từ TFDS:

import tensorflow_datasets as tfds

ds = tfds.load('gtzan', split='train', shuffle_files=True)

Hoặc tải dữ liệu từ Kaggle, giải nén thư mục `genres/` theo cấu trúc:

genres/
   blues/
     blues.00000.wav
     ...
   classical/
     ...
   ...

Trích xuất đặc trưng MFCC từ audio

Giải thích: LibROSA giúp trích xuất đặc trưng như MFCC, Chroma, spectral contrast… nhưng MFCC là tiêu chuẩn trong phân loại thể loại nhạc vì thể hiện phổ tần âm thanh theo cách con người nghe.

import os
import librosa
import numpy as np

DATASET_PATH = 'genres/'
features, labels = [], []

for genre in os.listdir(DATASET_PATH):
    for fname in os.listdir(os.path.join(DATASET_PATH, genre)):
        if fname.endswith('.wav'):
            filepath = os.path.join(DATASET_PATH, genre, fname)
            y, sr = librosa.load(filepath, duration=30)
            mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
            mfcc_mean = np.mean(mfcc.T, axis=0)
            features.append(mfcc_mean)
            labels.append(genre)

Giải thích: Mỗi file nhạc được đại diện dưới dạng vector 13 chiều MFCC trung bình, giúp giảm chiều dữ liệu và giữ được đặc trưng âm thanh cần thiết.

Huấn luyện mô hình với Scikit‑learn

Random Forest Classifier

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

X_train, X_test, y_train, y_test = train_test_split(
    features, labels, test_size=0.2, random_state=42
)

clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
print(classification_report(y_test, y_pred))

Tùy chọn mô hình khác:

# Support Vector Machine
from sklearn.svm import SVC
clf = SVC(kernel='linear')
# K-Neighbors Classifier
from sklearn.neighbors import KNeighborsClassifier
clf = KNeighborsClassifier(n_neighbors=5)

Mỗi mô hình có ưu và nhược riêng về thời gian huấn luyện và độ chính xác.

Trực quan hóa đặc trưng âm thanh

Hiển thị MFCC của một file audio:

import librosa.display
import matplotlib.pyplot as plt

y, sr = librosa.load('genres/pop/pop.00000.wav', duration=30)
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)

plt.figure(figsize=(10, 4))
librosa.display.specshow(mfcc, x_axis='time')
plt.colorbar()
plt.title('MFCC')
plt.tight_layout()
plt.show()

Công cụ hữu ích khi bạn muốn chuyển sang học sâu như sử dụng spectrogram hoặc CNN.

Nâng cấp mô hình bằng học sâu (Deep Learning)

Sử dụng spectrogram làm input cho CNN

import tensorflow as tf

def get_spectrogram(file_path):
    y, sr = librosa.load(file_path, duration=30)
    spect = librosa.feature.melspectrogram(y=y, sr=sr)
    spect_db = librosa.power_to_db(spect, ref=np.max)
    spect_db = np.expand_dims(spect_db, -1)
    return spect_db

# Sau đó chuẩn hóa và build model CNN

Bạn có thể xây dựng CNN-based classifier hoàn chỉnh, fine-tune bằng Keras hoặc PyTorch để cải thiện độ chính xác trên GTZAN (~90%+).

Đánh giá và so sánh mô hình

Một vài chỉ số quan trọng:

Precision, Recall, F1-Score theo thể loại
Confusion Matrix để xem thể loại dễ nhầm nhất
Cross-validation 5‑fold để đánh giá tổng thể

from sklearn.model_selection import cross_val_score
scores = cross_val_score(clf, features, labels, cv=5)
print("Cross‑validation accuracy:", scores.mean())

Kết luận

Phân loại nhạc bằng học máy là bài toán lý thú và thực tiễn cao, ứng dụng rộng rãi trong streaming service, nền tảng playlist cá nhân hóa và phân tích thói quen nghe nhạc. Qua GTZAN và LibROSA, bạn có pipeline hoàn chỉnh: