publications

@incollection{lerch_audioinhaltsanalyse_2023,

title = {Audioinhaltsanalyse},

author = {Alexander Lerch},

editor = {Stefan Weinzierl},

url = {https://doi.org/10.1007/978-3-662-60357-4_8-1},

doi = {10.1007/978-3-662-60357-4_8-1},

isbn = {978-3-662-60357-4},

year  = {2023},

date = {2023-01-01},

urldate = {2023-03-30},

booktitle = {Handbuch der Audiotechnik},

pages = {1--20},

publisher = {Springer Berlin Heidelberg},

address = {Berlin, Heidelberg},

abstract = {Audiosignale enthalten eine F\"{u}lle von Informationen, die sich Menschen beim H\"{o}ren leicht erschlie\ssen. So transportiert ein Sprachsignal nicht nur Informationen \"{u}ber den Text, sondern auch \"{u}ber den Sprecher (z. B. Geschlecht, Alter, Akzent) und die Aufnahmeumgebung (z. B. drinnen vs. drau\ssen). In einem Musiksignal k\"{o}nnen wir die Musikinstrumente, die musikalische Struktur, den Stil, die Melodie, Harmonien und Tonalit\"{a}t, einen emotionalen Ausdruck und andere Charakteristika der Darbietung sowie das K\"{o}nnen der Vortragenden identifizieren. Die Audioinhaltsanalyse (Audio Content Analysis, ACA) zielt darauf ab, Algorithmen zur automatischen Extraktion dieser Inhalte aus dem (digitalen) Audiosignal zu entwickeln und einzusetzen; diese Algorithmen erm\"{o}glichen es uns, das Audiosignal basierend auf dem Inhalt zu sortieren, zu kategorisieren, zu segmentieren und zu visualisieren (Lerch 2012). M\"{o}gliche Anwendungen sind inhaltsbasierte automatische Playlist-Generierung und Musikempfehlungssysteme, computergest\"{u}tzte Musikproduktion und -bearbeitung sowie intelligente Musiklernprogramme, die Musiksch\"{u}lerinnen und -sch\"{u}ler auf Fehler und Verbesserungsm\"{o}glichkeiten beim Instrumentalspiel hinweisen.},

keywords = {Audio content analysis, Grundfrequenzerkennung, music information retrieval, Musikklassifizierung, Musiktranskription, Tonarterkennung},

pubstate = {published},

tppubtype = {incollection}

}