Reconeixement automàtic d'instruments musicals

La identificació d'instruments musicals és una de les principals vies de treball per a donar solucions a la necessitat de disposar d'eines automàtiques de classificació i cerca a partir del contingut de les gravacions musicals. Aquest treball estudia el comportament d'un conjunt rellevant de característiques acústiques amb les tècniques de classificació Models de Mescles Gaussianes, Support Vector Machines i k-veí-més-proper en el reconeixement automàtic de 18 instruments musicals. Pels experiments s'ha utilitzat un corpus de més de 115.000 mostres procedents de TunedIt i un altre de generació pròpia amb uns resultats d'encerts de més del 90 % en els dos casos. L'estudi posa de manifest com la rellevància dels paràmetres acústics així com la facilitat d'identificar un instrument en particular tenen dependència amb el classificador utilitzat.The identification of musical instruments is one of the main areas of research to provide solutions to the need for automatic tools for indexing from the contents of recorded music. This paper studies the behavior of a set of relevant acoustic characteristics together with Gaussian Mixture Model, Support Vector Machines and k-Nearest Neighbor classification methods in the recognition of 18 musical instruments. Over 115,000 samples coming from TunedIt and another set of samples recorded by the author have been used for the experiments, reaching a success rate over 90 % in both cases. The study highlights that both the relevance of the acoustic parameters and the level of difficulty in identifying a particular instrument are related to the classifier.La identificación de instrumentos musicales es una de les principales vías de trabajo para dar soluciones a la necesidad de disponer de herramientas automáticas de clasificación y búsqueda a partir del contenido de las grabaciones musicales. Este trabajo estudia el comportamiento de un conjunto relevante de características acústicas con las técnicas de clasificación Modelo de Mezclas Guassianas, Support Vector Machine y k-más-próximo-vecino en el reconocimiento de 18 instrumentos musicales. Para los experimentos se ha utilizado un corpus de más de 115.000 muestras procedentes de TunedIt y otro de generación propia con unos resultados de aciertos de más del 90 % en ambos casos. El estudio pone de manifiesto como la relevancia de los parámetros acústicos así como la facilidad de identificar un instrumento en particular están relacionados con el clasificador utilizado