بہت سے لوگ پہلے ہی ایسی ایپس استعمال کر چکے ہیں جو صرف چند سیکنڈ کی آڈیو سن کر گانوں کی شناخت کر سکتے ہیں۔ بس ایپ کھولیں، اپنے فون کو آواز کے منبع کے قریب لائیں، اور کچھ ہی دیر میں، گانے کا ٹائٹل اور فنکار اسکرین پر نمودار ہوتا ہے۔ یہ ٹیکنالوجی تقریباً جادوئی معلوم ہوتی ہے، لیکن حقیقت میں، اس میں آڈیو تجزیہ اور ڈیٹا کے موازنہ کی تکنیکوں کا ایک نفیس سیٹ شامل ہے۔.
یہ ایپلی کیشنز خصوصی الگورتھم استعمال کرتی ہیں جو ہر گانے میں موجود منفرد خصوصیات کا تجزیہ کرتی ہیں۔ ان خصوصیات کا بڑے میوزک ڈیٹا بیس سے موازنہ کرکے، سسٹم تیزی سے شناخت کر سکتا ہے کہ کون سا ٹریک چلایا جا رہا ہے۔.
مائکروفون کے ذریعے آڈیو کیپچر
یہ عمل اس وقت شروع ہوتا ہے جب ایپ فون کے مائیکروفون کو چالو کرتی ہے۔.
یہ آلہ ماحول میں چلائے جانے والے چند سیکنڈ کی آڈیو کیپچر کرتا ہے۔ پورا گانا ریکارڈ کرنا ضروری نہیں ہے۔ عام طور پر سسٹم کے لیے شناخت کرنے کے لیے چند سیکنڈ کافی ہوتے ہیں۔.
اس آواز کا ڈیٹا پھر پروسیسنگ کے لیے بھیجا جاتا ہے۔.
ڈیجیٹل ڈیٹا میں آواز کی تبدیلی
آڈیو کیپچر کرنے کے بعد، ایپلی کیشن آواز کو ڈیجیٹل ڈیٹا میں بدل دیتی ہے۔.
صوتی لہریں عددی سگنلز میں تبدیل ہو جاتی ہیں جن کا الگورتھم کے ذریعے تجزیہ کیا جا سکتا ہے۔ یہ عمل سسٹم کو آڈیو تفصیلات کو بڑی درستگی کے ساتھ جانچنے کی اجازت دیتا ہے۔.
یہ قدم سافٹ ویئر کے لیے آواز کی ترجمانی کرنے کے قابل ہونے کے لیے اہم ہے۔.
آڈیو خصوصیات کا تجزیہ
اگلا، نظام موسیقی کی منفرد خصوصیات کا تجزیہ کرتا ہے۔.
تعدد، شدت، اور تال کے نمونوں جیسے عناصر کی جانچ کی جاتی ہے۔ موسیقی کے ہر ٹکڑے میں ان عناصر کا ایک خاص مجموعہ ہوتا ہے۔.
یہ خصوصیات ایک قسم کی آواز کا دستخط بناتے ہیں۔.
موسیقی کا "فنگر پرنٹ" بنانا
شناخت شدہ خصوصیات کی بنیاد پر، الگورتھم تخلیق کرتا ہے جسے آڈیو فنگر پرنٹ کہا جاتا ہے۔.
یہ ڈیجیٹل فنگر پرنٹ موسیقی کے سب سے زیادہ متاثر کن حصوں کی ایک کمپیکٹ نمائندگی ہے۔ اس میں مکمل آڈیو نہیں ہے، بلکہ ایسے پیٹرن ہیں جو ٹریک کی شناخت کرنے کی اجازت دیتے ہیں۔.
یہ طریقہ موازنہ کو تیز تر بناتا ہے۔.
میوزک ڈیٹا بیس کے ساتھ موازنہ
فنگر پرنٹ بنانے کے بعد اس کا موازنہ ایک بہت بڑے ڈیٹا بیس سے کیا جاتا ہے۔.
یہ ڈیٹا بیس لاکھوں گانوں کے ڈیجیٹل فنگر پرنٹس پر مشتمل ہے۔ سسٹم پکڑے گئے آڈیو اور ذخیرہ شدہ ریکارڈز کے درمیان ملتے جلتے نمونوں کی تلاش کرتا ہے۔.
جب ایک مضبوط میچ پایا جاتا ہے، تو موسیقی کی شناخت کی جاتی ہے.
تیز مماثل الگورتھم کا استعمال
استعمال شدہ الگورتھم انتہائی تیز موازنہ کرنے کے لیے بنائے گئے ہیں۔.
یہاں تک کہ بہت بڑا ڈیٹا بیس کے ساتھ، نظام صرف چند سیکنڈ میں میچ تلاش کر سکتا ہے.
یہ اشاریہ سازی کی تکنیکوں اور بہترین تلاش کے ذریعے حاصل کیا جاتا ہے۔.
محیطی شور کے خلاف مزاحمت
سب سے بڑا چیلنج شور والے ماحول میں موسیقی کی شناخت کرنا ہے۔.
الگورتھم کو پس منظر کے شور کو نظر انداز کرنے اور موسیقی کے سب سے نمایاں حصوں پر توجہ مرکوز کرنے کی تربیت دی جاتی ہے۔.
یہ نظام کو مصروف جگہوں پر بھی کام کرنے کی اجازت دیتا ہے۔.
صرف چند سیکنڈ کی آڈیو کے ساتھ شناخت۔
آڈیو فنگر پرنٹنگ انتہائی موثر ہے۔.
یہاں تک کہ صرف چند سیکنڈ کی ریکارڈنگ کے ساتھ، سسٹم گانے کی شناخت کے لیے کافی معلومات حاصل کرنے کے قابل ہے۔.
یہ بتاتا ہے کہ ایپس گانے کو اتنی جلدی پہچاننے کے قابل کیوں ہیں۔.
ریموٹ سرورز پر پروسیسنگ
زیادہ تر پروسیسنگ کلاؤڈ میں سرورز پر ہوتی ہے۔.
سیل فون ان سرورز کو فنگر پرنٹ بھیجتا ہے، جو پھر اس کا میوزک ڈیٹا بیس سے موازنہ کرتا ہے۔.
یہ ریموٹ پروسیسنگ بڑی مقدار میں معلومات کو سنبھالنے کی اجازت دیتی ہے۔.
ڈیٹا بیس کی مسلسل اپ ڈیٹنگ
ان ایپلی کیشنز کے ذریعہ استعمال ہونے والے ڈیٹا بیس کو باقاعدگی سے اپ ڈیٹ کیا جاتا ہے۔.
نئے گانے لگاتار شامل کیے جا رہے ہیں تاکہ یہ یقینی بنایا جا سکے کہ سسٹم حالیہ ریلیز کی شناخت کر سکتا ہے۔.
یہ مسلسل اپ ڈیٹ شناخت کی صلاحیتوں کو بڑھاتا ہے۔.
گانے کے مختلف ورژن کی شناخت کرنا۔
جدید الگورتھم ایک ہی گانے کے مختلف ورژن کو پہچاننے کے قابل ہیں۔.
اس میں لائیو ریکارڈنگز، ریمکسز، یا آڈیو کوالٹی میں معمولی تغیرات شامل ہیں۔.
یہ نظام موسیقی کے بنیادی نمونوں کا تجزیہ کرتا ہے جو مستقل رہتے ہیں۔.
مصنوعی ذہانت کے ساتھ سیکھنا
مصنوعی ذہانت بھی درستگی کو بہتر بنانے میں معاون ہے۔.
مشین لرننگ ماڈل آڈیو میں پیچیدہ نمونوں کی شناخت اور موازنہ کے طریقوں کو بہتر بنانے میں مدد کرتے ہیں۔.
وقت کے ساتھ، نظام زیادہ موثر ہو جاتا ہے.
انٹرنیٹ کنکشن کی رفتار
شناخت کی رفتار بھی انٹرنیٹ کنکشن پر منحصر ہے۔.
ایک تیز کنکشن آپ کو سرورز کو ڈیٹا بھیجنے اور تقریباً فوری طور پر جواب موصول کرنے کی اجازت دیتا ہے۔.
یہ فوری طور پر پہچاننے کے احساس میں معاون ہے۔.
موبائل آلات کے لیے اصلاح
ایپس کو اسمارٹ فونز پر اچھی طرح کام کرنے کے لیے ڈیزائن کیا گیا ہے۔.
سرورز کو بھیجے گئے ڈیٹا کی مقدار کو کم کرنے کے لیے کچھ ابتدائی پروسیسنگ براہ راست ڈیوائس پر کی جاتی ہے۔.
یہ اصلاح عمل کو تیز کرتی ہے۔.
کم کوالٹی آڈیو کے ساتھ بھی پہچان۔
یہاں تک کہ جب موسیقی کم معیار پر پکڑی جاتی ہے، نظام اہم نمونوں کی شناخت کرسکتا ہے۔.
الگورتھم مخصوص تعدد پر توجہ مرکوز کرتے ہیں جو تحریف کے باوجود بھی قابل شناخت رہتی ہیں۔.
اس سے کامیابی کی شرح میں اضافہ ہوتا ہے۔.
مختلف سیاق و سباق میں استعمال کریں۔
یہ ٹیکنالوجی ریڈیو، ٹیلی ویژن، بار میں، یا لائیو پرفارمنس کے دوران چلنے والے گانوں کی شناخت کر سکتی ہے۔.
جب تک کیپچر شدہ آڈیو میں اصل موسیقی کے کافی نمونے موجود ہوں، سسٹم شناخت کرنے کے قابل ہے۔.
یہ خصوصیت کو انتہائی ورسٹائل بناتا ہے۔.
میوزک پلیٹ فارمز کے ساتھ انضمام
گانے کی شناخت کے بعد، بہت سی ایپس اضافی اختیارات پیش کرتی ہیں۔.
صارف مکمل ٹریک سن سکتا ہے، اسے اپنی لائبریری میں شامل کرسکتا ہے، یا فنکار کے بارے میں معلومات تک رسائی حاصل کرسکتا ہے۔.
یہ انضمام ٹیکنالوجی کی افادیت کو بڑھاتا ہے۔.
موسیقی کی شناخت کا ارتقاء
ابتدائی موسیقی کی شناخت کی ٹیکنالوجیز بہت زیادہ محدود تھیں۔.
ڈیٹا پروسیسنگ اور مصنوعی ذہانت میں ترقی کے ساتھ، نظام بہت تیز اور زیادہ درست ہو گئے ہیں۔.
آج لاکھوں گانے صرف چند سیکنڈ میں پہچانے جا سکتے ہیں۔.
موسیقی کی پہچان کے پیچھے سائنس۔
گانوں کی فوری شناخت کرنے کی صلاحیت آڈیو تجزیہ، موثر الگورتھم، اور بڑے میوزک ڈیٹا بیس کے امتزاج کا نتیجہ ہے۔ آواز کو ایک منفرد فنگر پرنٹ میں تبدیل کرکے اور اس کا لاکھوں ذخیرہ شدہ ریکارڈز سے موازنہ کرکے، ایپس تقریباً فوری طور پر مماثلتیں تلاش کرسکتی ہیں۔ یہ عمل موبائل فون کے ذریعے کیپچر کی گئی چند سیکنڈ کی آڈیو کو انتہائی درست تلاش میں بدل دیتا ہے، جس سے کوئی بھی شخص لمحوں میں، شور مچانے والے ماحول میں بھی گانے کا نام دریافت کر سکتا ہے۔.