ما هي البصمة الصوتية؟ كيف يعمل التعرّف على الأغاني (ولماذا يفشل مع نسخ الغلاف)

البصمة الصوتية (audio fingerprinting) هي التقنية التي تقف خلف كل تطبيق يسأل «ما هذه الأغنية؟». فهي تختصر تسجيلاً صوتياً إلى توقيع صغير مميّز (البصمة)، وتخزّن التواقيع لملايين المقاطع، ثم تطابق لاحقاً بضع ثوانٍ من الصوت الملتقط مع ذلك الفهرس. وهي ما يمكّن Shazam أو إضافة AHA Music أو نظام مراقبة البث من تسمية أغنية من مقهى صاخب في أقل من ثانية.

يشرح هذا المقال الطريقة كما تُستخدم عملياً، وما تصمد أمامه، وأين تنهار، وأي تقنيات أخرى (مطابقة اللحن، والتعرّف على نسخ الغلاف، والتضمينات العصبية (embeddings)) تغطي الحالات التي تعجز عنها.

التعريف

البصمة الصوتية هي ملخّص مكتنز قائم على المحتوى لإشارة صوتية، مصمّم بحيث ينتج تسجيلان للمقطع نفسه البصمة نفسها حتى لو كان أحدهما مشوّشاً أو مضغوطاً أو مُشغّلاً عبر مكبّر صوت ثم مُعاد تسجيله، أو مقتطعاً إلى مقطع قصير. أما نظام البصمة فهو الاقتران بين مستخرج بصمة وفهرس يستطيع البحث عن بصمة استعلام بين ملايين البصمات المرجعية بسرعة.

كلمة «بصمة» مقصودة: فكما بصمة الإصبع البشرية، هي تعرّف تسجيلاً بعينه، لا الأغنية كتأليف موسيقي. وهذا التمييز يفسّر معظم حدود هذه الطريقة.

كيف تعمل البصمة الصوتية خطوة بخطوة

التصميم الذي تستخدمه معظم التطبيقات ينحدر من الخوارزمية التي وصفها Avery Wang لصالح Shazam في 2003 («An Industrial-Strength Audio Search Algorithm»، ISMIR 2003). والخطوات هي:

1. المخطط الطيفي (spectrogram)

يُقطّع الصوت إلى نوافذ قصيرة متداخلة، ويُحوّل كل نافذة إلى طيف، ما يعطي خريطة زمنية-ترددية لمواضع الطاقة. وهنا تظهر السرعة وطبقة الصوت والجرس كأنماط.

2. انتقاء القمم

بدلاً من الاحتفاظ بالمخطط الطيفي كاملاً، يحتفظ المستخرج بمواضع القمم الطاقية المحلية فقط: نقاط أعلى من جيرانها زمنياً وترددياً. والقمم تصمد أمام ضوضاء الخلفية والميكروفونات الرديئة وضغط MP3 أفضل بكثير من الإشارة الكاملة، لأن القمة تبقى قمة حتى عندما تُشوّش محيطها. وقد سمّى Wang المجموعة المتناثرة الناتجة «خريطة الكوكبة» (constellation map).

3. تجزئة أزواج القمم

يُقرن كل قمة بعدد من القمم التي تليها بفارق زمني قصير. ويُحوّل كل زوج إلى تجزئة (hash) من (تردد القمة A، تردد القمة B، الفارق الزمني بينهما). والأزواج أكثر تحديداً بكثير من القمم المفردة، لذا فإن تجزئة واحدة تستبعد مسبقاً كل المقاطع تقريباً في الكتالوج. وتُخزّن كل تجزئة مع الزمن الذي تحدث فيه في المقطع المرجعي.

4. المطابقة عبر الإزاحة الزمنية

عند الاستعلام تُحسب التجزئات نفسها من المقطع الملتقط ويُبحث عنها في الفهرس. وكل نتيجة تقول «هذه التجزئة تحدث عند الزمن t في المقطع X». وفي المقطع الصحيح تتجمّع فروق الزمن المرجعي وزمن الاستعلام حول قيمة واحدة، هي الإزاحة التي يقع عندها المقطع داخل الأغنية. أما في المقاطع الخاطئة فتكون الفروق متفرقة. والتجمّع القوي يعني مطابقة، كما تخبرك إزاحته أيضاً بالمكان الذي جاء منه المقطع تحديداً في الأغنية، وهكذا تستطيع AHA Music وضع طابع زمني لكل أغنية تجدها في رابط فيديو.

لماذا تعمل في مقهى صاخب

• التناثر. لا يُحتفظ إلا بالقمم، والقمم هي ما يصمد أمام الضوضاء والصدى والضغط.
• التحديدية. أزواج القمم ذات الفارق الزمني نادرة بما يكفي لأن تعرّف بضع عشرات من التجزئات المتطابقة مقطعاً واحداً بين 100 مليون.
• الاستعلامات القصيرة. لأن المطابقة تقوم على عدّ التجزئات المتسقة، فإن مقطعاً من نحو 5 ثوانٍ يحتوي عادةً على عدد كافٍ منها. الصوت الأكثر يساعد في الظروف شديدة الضوضاء لكنه نادراً ما يكون ضرورياً.
• السرعة. عمليات البحث بالتجزئة هي عمليات بحث في فهرس، لذا يستغرق البحث في كتالوج من عشرات الملايين من المقاطع أجزاءً من الألف من الثانية، لا مسحاً للصوت كله.

أين تفشل البصمة

لأن البصمة تصف تسجيلاً بعينه، فإن أي شيء هو الأغنية نفسها لكن بتسجيل مختلف ينتج خريطة كوكبة مختلفة ولا يطابق:

• الدندنة والصوفرة والغناء. لا يحتوي صوتك على أي من قمم الإنتاج الاستوديوي. ونظام البصمة لا يعيد شيئاً، ولهذا لم تقدّم Shazam قط ميزة البحث بالدندنة.
• نسخ الغلاف والعروض الحية والكاريوكي. اختلاف الآلات والسرعة والمقام يعني قمماً مختلفة. فالتأليف نفسه، لكن التسجيل ليس كذلك.
• الريمكسات والتحريرات المعدّلة بعمق. النسخ المعدّلة طبقةً أو الممدّدة زمنياً تحرّك القمم وتكسر معظم التجزئات، مع أن بعض الأنظمة تضيف تسامحاً مع تغيرات السرعة الصغيرة.
• المقاطع غير الموجودة في الفهرس. لا تستطيع البصمة أن تجد إلا تسجيلات سبق أن بُصمت. وحجم الكتالوج مهم: ACRCloud، المحرك الذي يقف خلف AHA Music، يفهرس أكثر من 100 مليون مقطع.

ما يسدّ الفجوات: مطابقة اللحن، والتعرّف على نسخ الغلاف، والتضمينات

عملياً، يشغّل أي باحث أغاني حديث أكثر من واحدة من هذه. فـ AHA Music مثلاً يستخدم بصمة ACRCloud للتعرّف عبر الميكروفون والملفات والروابط، ومحرك دندنة للألحان، ومحرك نسخ غلاف يتعرّف على التأليف خلف نسخة الغلاف ويعيد الأصل، مع تراجع إضافة المتصفح تلقائياً من البصمة إلى التعرّف على نسخ الغلاف. أما كاشف الموسيقى بالذكاء الاصطناعي فمسألة أخرى: فهو مصنّف يعمل على سمات صوتية متعلَّمة لا بحث في فهرس.

أين تُستخدم البصمة الصوتية

• التعرّف على الأغاني للمستهلك: Shazam وSoundHound وGoogle وAHA Music وإضافاتها للمتصفح.
• الحقوق وحقوق النشر: تطابق المنصات الملفات المرفوعة مع كتالوجات مرجعية للكشف عن الموسيقى المحمية بحقوق النشر (وYouTube Content ID أشهر مثال).
• مراقبة البث والإذاعة: تسجيل الأغاني التي شُغّلت في أي محطة ومتى، وهي البيانات التي تقف خلف قوائم البث مثل قوائم بث الراديو من AHA Music.
• الشاشة الثانية والإعلانات: التعرّف على برنامج تلفزيوني أو إعلان من صوته لمزامنة المحتوى.
• إزالة التكرار وتنظيف الكتالوج: إيجاد التسجيلات المتطابقة تحت بيانات وصفية مختلفة.

أسئلة وأجوبة

هل البصمة الصوتية هي نفسها تجزئة الملف؟
لا. تجزئة الملف (MD5، SHA-256) تتغيّر إذا تغيّر بت واحد، لذا لن يطابق ملف MP3 أعيد ترميزه. أما البصمة الصوتية فتُحسب من الصوت نفسه وهي مصمّمة لتبقى نفسها عبر الضغط وإعادة أخذ العينات والتسجيل عبر ميكروفون.

كم ثانية من الصوت يحتاج التعرّف؟
نحو 5 ثوانٍ تكفي عادةً لمطابقة نظيفة مع فهرس بصمات؛ و10–15 ثانية تساعد في الغرف الصاخبة. أما التعرّف على الدندنة فيريد عادةً 10–15 ثانية من اللحن.

هل تستطيع البصمة التعرّف على أغنية من الدندنة؟
لا. الدندنة لا تعيد إنتاج القمم الطيفية للتسجيل. استخدم أداة مطابقة لحن بدلاً منها: SoundHound أو البحث بالدندنة من Google أو باحث الأغاني بالدندنة من AHA Music.

لماذا تفشل Shazam مع نسخة حية من أغنية تعرفها؟
لأن العرض الحي تسجيل مختلف بقمم مختلفة. فالبصمة تعرّف التسجيلات لا المؤلفات. أما محرك نسخ الغلاف، مثل وضع الدندنة/الغلاف في AHA Music، فيطابق التأليف ويعيد الأصل.

هل تحتفظ خدمة التعرّف بتسجيلي؟
هذا يعتمد على الخدمة. AHA Music يعالج التسجيلات ويرفعها للتعرّف ولا يخزّنها بشكل دائم؛ راجع سياسة الخصوصية.

هل يمكنني استخدام البصمة الصوتية في تطبيقي؟
نعم، عبر واجهة برمجية (API). AHA Music لا يقدّم واحدة بنفسه، لكن المحركات التي يستخدمها متاحة من ACRCloud؛ وصفحة المطورين في AHA Music تشرح كيف تبدأ.