L'empreinte audio (audio fingerprinting) est la technique derrière toutes les applications qui répondent à « c'est quoi cette chanson ? ». Elle réduit un enregistrement à une signature compacte et distinctive (l'empreinte), stocke les signatures de millions de titres, puis compare quelques secondes de son capté à cet index. C'est elle qui permet à Shazam, à l'extension AHA Music ou à un système de monitoring broadcast de nommer un morceau depuis un café bruyant en moins d'une seconde.
Cet article explique la méthode telle qu'elle est utilisée en pratique, à quoi elle résiste, où elle se brise, et quelles autres techniques (appariement mélodique, identification de reprises (cover-song identification), plongements neuronaux (embeddings)) couvrent les cas qu'elle ne sait pas traiter.
Définition
Une empreinte audio est un résumé compact et fondé sur le contenu d'un signal audio, conçu pour que deux enregistrements du même titre produisent la même empreinte, même si l'un d'eux est distordu, compressé, diffusé par un haut-parleur puis réenregistré, ou réduit à un court extrait. Un système d'empreintes associe un extracteur d'empreintes et un index capable de retrouver rapidement une empreinte requête parmi des millions d'empreintes de référence.
Le mot « empreinte » est délibéré : comme une empreinte digitale, elle identifie un enregistrement précis, et non la chanson en tant que composition. Cette distinction explique la plupart des limites de la méthode.
Comment fonctionne l'empreinte audio, étape par étape
Le principe utilisé par la plupart des applications descend de l'algorithme décrit par Avery Wang pour Shazam en 2003 (« An Industrial-Strength Audio Search Algorithm », ISMIR 2003). Les étapes sont les suivantes :
1. Spectrogramme
L'audio est découpé en courtes fenêtres qui se chevauchent, et chaque fenêtre est convertie en un spectre, ce qui donne une carte temps-fréquence de la répartition de l'énergie. C'est là que le tempo, la hauteur et le timbre deviennent visibles sous forme de motifs.
2. Sélection des pics
Au lieu de conserver tout le spectrogramme, l'extracteur ne garde que les pics d'énergie locaux : les points plus forts que leurs voisins à la fois en temps et en fréquence. Les pics résistent bien mieux au bruit de fond, aux micros de mauvaise qualité et à la compression MP3 que le signal complet, car un pic reste un pic même lorsque tout ce qui l'entoure est étalé. Wang a appelé l'ensemble clairsemé de points ainsi obtenu une « carte de constellation » (constellation map).
3. Hachage des paires de pics
Chaque pic est apparié avec quelques pics qui le suivent de peu. Une paire est transformée en un hachage (hash) de (fréquence du pic A, fréquence du pic B, écart temporel entre les deux). Les paires sont bien plus spécifiques que les pics isolés : un seul hachage élimine déjà la quasi-totalité du catalogue. Chaque hachage est stocké avec l'instant auquel il apparaît dans le titre de référence.
4. Appariement par décalage temporel
Au moment de la requête, les mêmes hachages sont calculés à partir de l'extrait capté et recherchés dans l'index. Chaque correspondance indique « ce hachage apparaît à l'instant t dans le titre X ». Pour le bon titre, les écarts entre temps de référence et temps de requête se regroupent sur une même valeur : le décalage auquel l'extrait se situe dans le morceau. Pour les mauvais titres, ces écarts sont dispersés. Un regroupement net signale une correspondance, et son décalage indique aussi précisément d'où, dans le morceau, l'extrait provient — c'est ainsi qu'AHA Music peut horodater chaque chanson qu'il trouve dans un lien vidéo.
Pourquoi cela fonctionne dans un café bruyant
- Parcimonie. Seuls les pics sont conservés, et ce sont eux qui survivent au bruit, à la réverbération et à la compression.
- Spécificité. Les paires de pics avec un écart temporel sont assez rares pour que quelques dizaines de hachages concordants identifient un titre parmi 100 millions.
- Requêtes courtes. L'appariement reposant sur le comptage de hachages cohérents, un extrait d'environ 5 secondes en contient généralement assez. Plus d'audio aide dans des conditions très bruyantes, mais c'est rarement nécessaire.
- Vitesse. Les recherches de hachages sont des consultations d'index : explorer un catalogue de dizaines de millions de titres prend quelques millisecondes, sans parcours de l'audio.
Là où l'empreinte audio échoue
Comme l'empreinte décrit un enregistrement précis, tout ce qui est la même chanson mais un autre enregistrement produit une carte de constellation différente et ne donne aucune correspondance :
- Fredonner, siffler et chanter. Votre voix ne contient aucun des pics de la production studio. Un système d'empreintes ne renvoie rien : c'est pourquoi Shazam n'a jamais proposé de recherche en fredonnant.
- Reprises, versions live et karaoké. Des instruments, un tempo et une tonalité différents impliquent des pics différents. La composition est la même ; l'enregistrement ne l'est pas.
- Remixes et éditions fortement modifiées. Les versions transposées ou étirées dans le temps déplacent les pics et cassent la plupart des hachages, même si certains systèmes tolèrent de légers changements de vitesse.
- Titres absents de l'index. L'empreinte audio ne peut trouver que des enregistrements dont quelqu'un a calculé l'empreinte. La taille du catalogue compte : ACRCloud, le moteur derrière AHA Music, indexe plus de 100 millions de titres.
Ce qui comble les lacunes : appariement mélodique, identification de reprises et plongements vectoriels
| Technique | Ce qu'elle compare | Ce qu'elle gère | Utilisée par |
|---|---|---|---|
| Empreinte audio | Les motifs de pics spectraux d'un enregistrement | Des extraits bruyants ou courts du même enregistrement | Shazam, mode Record d'AHA Music, monitoring broadcast, appariement de type YouTube Content ID |
| Requête par fredonnement (appariement mélodique) | Le contour de hauteur d'une mélodie chantée ou fredonnée, comparé à des mélodies stockées | Fredonnement, sifflement, chant, entrées fausses | SoundHound, Google « Fredonner pour rechercher » (Hum to Search), mode Hum d'AHA Music |
| Identification de reprises | Les caractéristiques harmoniques (chroma) d'un enregistrement, invariantes en tonalité et en tempo, comparées à des compositions de référence | Reprises, versions live, karaoké, arrangements différents | mode Hum / Cover d'AHA Music (moteur de reprises d'ACRCloud) |
| Plongements audio neuronaux | Des vecteurs appris qui rapprochent les audios de sonorité similaire | Ce sur quoi le modèle a été entraîné, y compris des mélodies fredonnées ; également utilisé pour la détection de musique IA | Google « Fredonner pour rechercher », détecteurs de musique IA |
En pratique, un chercheur de chansons moderne en combine plusieurs. AHA Music, par exemple, utilise l'empreinte ACRCloud pour la reconnaissance au micro, sur fichier et sur lien, un moteur de fredonnement pour les mélodies, et un moteur de reprises qui reconnaît la composition derrière une reprise et renvoie l'original ; l'extension de navigateur bascule automatiquement de l'empreinte vers l'identification de reprises. L'AI Music Detector relève encore d'un autre problème : c'est un classifieur appliqué à des caractéristiques audio apprises, et non une recherche dans un index.
Où l'empreinte audio est utilisée
- Identification de chansons grand public : Shazam, SoundHound, Google, AHA Music et leurs extensions de navigateur.
- Droits et copyright : les plateformes comparent les contenus mis en ligne à des catalogues de référence pour détecter la musique protégée (le Content ID de YouTube en est l'exemple le plus connu).
- Monitoring broadcast et radio : journaliser quels titres ont été diffusés sur quelle station et à quel moment, les données derrière les classements de diffusion comme les Radio Charts d'AHA Music.
- Second écran et publicité : reconnaître une émission de télévision ou une publicité à partir de son audio pour synchroniser du contenu.
- Dédoublonnage et nettoyage de catalogue : retrouver des enregistrements identiques sous des métadonnées différentes.
Questions-réponses
Une empreinte audio est-elle identique au hachage d'un fichier ?
Non. Un hachage de fichier (MD5, SHA-256) change dès qu'un seul bit change : un MP3 réencodé ne correspondrait donc pas. Une empreinte audio est calculée à partir du son lui-même et conçue pour rester identique après compression, rééchantillonnage et enregistrement via un microphone.
Combien de secondes d'audio la reconnaissance nécessite-t-elle ?
Environ 5 secondes suffisent généralement pour une correspondance nette dans un index d'empreintes ; 10–15 secondes aident dans une pièce bruyante. La reconnaissance de fredonnement demande plutôt 10–15 secondes de mélodie.
L'empreinte audio peut-elle identifier une chanson à partir d'un fredonnement ?
Non. Le fredonnement ne reproduit pas les pics spectraux de l'enregistrement. Utilisez plutôt un outil d'appariement mélodique : SoundHound, Google « Fredonner pour rechercher » ou le chercheur de chansons par fredonnement d'AHA Music.
Pourquoi Shazam échoue-t-il sur une version live d'une chanson qu'il connaît ?
Parce qu'une prestation live est un autre enregistrement, avec d'autres pics. L'empreinte identifie des enregistrements, pas des compositions. Un moteur de reprises, comme le mode Hum / Cover d'AHA Music, apparie la composition et renvoie l'original.
Le service de reconnaissance conserve-t-il mon enregistrement ?
Cela dépend du service. AHA Music traite les enregistrements et les envois aux fins de reconnaissance et ne les stocke pas durablement ; voir sa politique de confidentialité.
Puis-je utiliser l'empreinte audio dans ma propre application ?
Oui, via une API. AHA Music n'en propose pas lui-même, mais les moteurs qu'il utilise sont disponibles chez ACRCloud ; la page développeurs d'AHA Music explique comment démarrer.