看到这篇我想以我和搭档目前所做的研究来简单讲一下。
原波讲得是声码的相关技术，也就是声音用数位号码来标示。
这方面目前最热门得是把声音〈WAV〉变成MIDI，并进而转化为乐谱〈最常见的是五线
谱〉。
以前所有的音乐老师〈包含电脑音乐老师〉都会跟我们说声音无法转换成MIDI，这是因为
声音要用数位号码来标示会牵涉到电脑判读的技术。
简单来说一个声音出来不是只有一种，而是会有两个以上的声音来互相交叠，就连最简
单辨识的乐器钢琴在进行辨识时，也需要人工来进行校正。
目前我们的技术是可让钢琴的音乐直接变成五线谱，但需要半电脑半人工的方式来编写，
才能达到客户要的标准。
而通常一首普通的四分钟抒情钢琴音乐，用我们的技术都要耗费四个小时，而如果是炫技
特强且快速的钢琴音乐，就非要耗费十个小时以上。
以下是我们相关的技术，不方便贴我们部落格网址〈有牵涉到商业〉，就直贴youtube
网址。
这是我的搭档亲自演奏的版本〈我们不能张贴其他钢琴手作品，怕会触犯智慧财产权〉：
https://youtu.be/HThMdakk3KU
而这是由电脑辨识后，还没人工校正的版本〈五线谱〉：
https://youtu.be/621ya-wW8xk
所以上篇文章当中所说技术还不足就是这个原因，因为这牵涉到人工智能部分。
※ 引述《extemjin (extemjin)》之铭言：
: ※ 引述《D600dust (一世六百尘)》之铭言：
: : 你的问题就好像台湾的老板
: : 只考虑到成本
: : 没想过价值
: : 一般声优的薪水是能多高？
: : 高到你觉得他是个费用而不是资产
: : 高到让你忽略他除了配音以外的工作
: : 可以带来多少额外的收入？
: : 我这样反问你一个问题好了
: : 有了初音 是不是歌手都可以去死了？
: : 没有音域的限制 唱再多喉咙也不会受损
: : 而且初音跟歌手一样能开演唱会呢
: : 更不用说初音不会老
: : 永远不会退出舞台
: : 喔 对了 只要你喜欢 他长什么样子都可以
: : 有了初音是不是就可以取代歌手
: : 甚至明星和偶像了
: 你的回文就好像反年改的暴民
: 只考虑到价值
: 没想过实际面
: 甚至无知到连改什么都不知道
: 顺便连前一两篇一起回，
: 我先重复一次我本文说的东西，不要看到"AI"两个字，
: 就只想到电脑语音这方面去好吗?
: 不是你给电脑一句话然后电脑唸出来唱出来那样。
: 我说的是"变声器"、变声科技，跟"初音"这套软件根本是不同的东西好吗。
: 我说的是把任意A来源的声音，变成任意目标B这样的概念。
: 我举个简单的例子，一般常见的大众化变声器，很难拿来唱歌，为什么?
: 因为唱歌中人声会有不同的音域，普通的数学转换在不同音域无法及时的调整，
: 势必得仰赖人工作业。
: 而这个作业本身应该是可以自动化，利用解析目标声音 > 取得数据库 > 解析来源声音
: >训练AI来进行合成或调整，取代人工作业。
: 我说的是这样的一套"工具"。
: 跟“棒读感”什么的，要嘛也请声优来演声优就不行了，
: 请池田来演钉宫搞不好还能玩出什么意外的新花样，
: 但前提是得有这个“变声蝴蝶结”的存在。
: 至于说"初音"这样的东西能不能全面取代声优歌手，我不认为可以，
: 最起码现在的技术还不行。
: 但是在"个人制作"的某些领域上，声优跟歌手真的差不多已经可以去死了。
: 例如游戏、实况、导航、小型动画等等。
: 对于一些纯粹只需要声音演出，声优本人长什么样子有差吗?
: 我想变声器要是如果真的发展到一个成熟的阶段，说不定"声音"本身就可以是一个
: 专利或资产，任何人只要购买某B小姐的声音使用权，就可以变成B小姐的声音，
: 随着科技的进步发生这样的变化也说不定。

简单说wav只有频率和幅度两个特征，这个比较难识别

如果只有单一乐器的话 Fourier Tranform后会很难识别吗？感觉频率的部分还好，是时间长短的部分比较难界定？

不行吧，Fourier Tranform用来识别有哪些乐器还比较好吧

你这样说好像满有道理的差那一点点频率可能真的容易搞错

对我这种人来说，两个听起来差不多