Classificação de parâmetros de efeitos de distorção a partir de áudio digital

Abstract

O processo de um músico que testa valores de parâmetros em efeitos de distorção sonora dado um áudio digital é típico no campo da Produção Musical. Mas, neste processo pode ocorrer erros humanos. Com isso, pôde-se observar que este é um processo de classificação supervisionada. Por isso, foi proposta uma simulação de classificação de parâmetros de efeitos de distorção a partir de áudio digital, onde três estimadores (SVM, KNN e Random Forest) comprovadamente apropriados para classificação de gêneros musicais, de parâmetros de efeitos de reverb e de detecção de intrusos em florestas sob proteção ambiental por áudio foram otimizados, testados e avaliados para quatro efeitos de distorção diferentes (Fuzz, Bitcrusher, Overdrive e Decimator). O dataset foi gerado a partir da aplicação de algoritmos de distorção em sinal senoidal e, a partir daí, da extração de características espectrais. Para avaliação, foram usadas matrizes de confusão e f1-score das classificações para cada parâmetro ou conjunto de parâmetros de cada efeito. Mesmo com limitações no dataset, o modelo Random Forest estimou mais de 90% de f1-score em 4 das 6 predições de parâmetros individuais. A partir deste resultado um dos possíveis trabalhos futuros é melhorar o dataset considerando utilizar a resposta ao impulso como áudio antes do préprocessamento e explicitar a correlação amostra-a-amostra ao extrair as características espectrais.