即构科技自研KTV实时打分功能音高线提取精确率高达 99%|K歌|分数

　　爱唱歌的你，是否曾经怀疑过，KTV里到底是不是有一群评委蹲在某个角落，随机地给你出分。要不然为什么每次你在KTV里唱得风生水起或者声泪俱下时，却总被打分系统打击得体无完肤？一度飙高音飙到觉得自己是陈奕迅第二，结果机器评价你的声音像王祖蓝。一顿操作猛如虎，一看分数45。而你的朋友在旁边鬼哭狼嚎或者气若游丝，毫无技巧全是感情地一顿输出，但得分就是比你高不少。那一瞬间，面对占据一半屏幕的打分界面，恐怕你只觉得兴趣全消，只想切歌喝酒玩骰子。

　　这样的糟糕体验就连明星也不能幸免。此前，著名音乐组合凤凰传奇一起去KTV唱歌，他们一起演唱了自己的作品《自由飞翔》，没想到等二位原唱唱完，居然显示只得了50.39分，系统判定为不及格。这就堪比鲁迅做《狂人日记》的阅读理解没得分，梵高参加《星空》临摹大赛被刷下来一样讽刺。网友惊呼上当：“合着不是我五音不全唱得差，是这KTV的评分系统有bug啊”。从前决定你唱歌好不好听的是在场听众的反馈，现在似乎是屏幕上的那串分数掌握了话语权。但问题是，系统是如何听懂我们唱歌的呢？K歌和评分是怎么走到一起的？KTV打分系统的的工作原理究竟是什么？

　　事实上，KTV打分系统并不是一个人工智能，也没有评委蹲在里面，而是一个基于音频信号处理、输出客观数据统计的系统。卡拉OK八十年代开始率先在日本风靡，1982 年，日本一家公司推出首款带打分功能的家用卡拉OK机。随着卡拉OK 从日本传入亚洲各国乃至全世界，评分系统也跟着漂洋过海，满足了我们对音乐娱乐及互动反馈的进一步需求。不过，让机器给人类的歌声评分显然没有那么容易。传统K歌评分的主要思路是比对旋律特征，当你唱歌时，系统会实时地录制你的声音，并将其转换成数字信号，将你的声音信号和原唱的音轨信号进行对比，计算出你的音准、节奏和音色的相似度。用户演唱的旋律特征和原唱越相似，在机器看来则代表着“音准越好”“节奏越对应”，得分就会越高。做到这些需要三步走：一是KTV打分系统会预先存储好每首歌曲的音轨和歌词，以及每个音符的音高、时长和节奏，根据评分标准提取旋律特征，建立标准模板库；二是通过算法提取被评分的干音（设备采集的未经任何后期处理的人声录音）旋律特征；最后，把两者特征相似度进行量化评估，得出分数。

　　当然，系统所认定的“高分”演唱在人类耳中并不一定好听。有人总结过“套路”系统获得高分的技巧：录音清晰、歌声音量大、声音平稳、尾音拖长，都可能获得系统青睐。至于音色，声情并茂、气沉丹田？对不起，暂时不在考虑范围内。因此，经常可以听到灵魂吐槽：“我明明唱得很好，为什么分数这么低？！”可以说，大部分KTV打分系统都不是完美的，存在一些局限性和缺陷，比如只能评价你的音准、节奏和音色，而不能评价你的情感、表达和技巧，对于不同的歌曲和歌手的难度和标准可能不一致，因此有些歌曲可能比较容易拿高分，有些歌曲可能比较难拿高分。总之，部分KTV打分系统可能存在一些技术上的误差和延迟，未必能真实反映你的演唱水平。不少演唱者因为分数过低，而被打击了演唱信心。

　　在刚度过的疫情三年里，歌唱让人欢乐、让人宣泄，让人找到社会支持，K歌软件的声音修饰也给了更多人展露歌喉的勇气。后疫情时代年轻人进一步享受在线上展示和交流自己，在线K歌更能满足他们社交+休闲的需求。当娱乐阵地逐渐从线下 KTV 转移至线上，为了真实还原线下 KTV 的娱乐体验，“打分”这一互动玩法在线上同样成为提升受众参与感不可或缺的一项功能。在互联网公司技术实力的加持下，K歌评分已进入2.0时代。这导致的结果是，靠干嚎骗过机器的难度大幅提升了。那么如今这一功能有哪些提升呢？

　　众所周知，现在很多歌曲人声包含了和声等因素的影响，并且不同音乐的复杂性以及歌曲语料质量参差不齐，使音高线的提取工作相当困难。实时互动企业即构科技近期将自研的KTV实时打分功能集成在了在线 KTV 及实时合唱解决方案中，通过使用AI模型在尽量保证人声完整性的前提下，分离出信噪比较高、保留较完整的人声，即构的算法能从各种复杂的音乐中准确提取音高线，精确率高达99%，快速生成打分标准。

　　如果只是根据差异做一个线性的评分，对于不同的平台用户的体验未必是最佳的。算法也需要尽可能“读懂感情”，给出更有人情味的评价标准。如何确保唱得好的人能够通过分数获得认可，同时也让部分演唱小白能够得到积极的正反馈和激励，这是在线K歌场景避不开的需求点。因此即构的这套打分策略算法上，对大部分“青铜级”演唱者能够给出一个兼顾自信及保留进步空间的多维度弹性分数，以保护他们的演唱积极性，同时对头部的“王者级”演唱者做到凸显高分，提升其互动竞技性。目前，即构的方案中设置了 5 种演唱难度等级，供平台方在Easy模式和Hard模式中间按需切换选择。