Mit dem explosiven Wachstum lokaler digitaler Musikbibliotheken ist die automatisierte und intelligente Musik-Tag-Analyse zu einer Notwendigkeit für Audiophile und professionelle Organisatoren geworden. Bei der Einführung der automatischen KI-Kennzeichnung standen wir jedoch vor einer großen technischen Herausforderung: Wie können wir die ultimative Analysetiefe garantieren und gleichzeitig zu 100 % sicherstellen, dass die wertvollen Original-Audiodateien des Benutzers nicht verunreinigt werden?
In der ersten Phase der Architekturentwicklung haben wir diesen Widerspruch vollständig gelöst, indem wir die Audio-Analyse-Pipeline entkoppelt und ein bahnbrechendes Entwurfssystem (Draft System) eingeführt haben.
I. Dual-Lane-Architektur für die Audioanalyse
Um Analysegenauigkeit, Leistung und Offline-Verfügbarkeit in Einklang zu bringen, haben wir die Analyseaufgaben auf der untersten Ebene in zwei unabhängige Spuren entkoppelt: reine digitale Signalverarbeitung (DSP) und Deep Learning Inference (ONNX), während wir auf der obersten Ebene einen einheitlichen Ereignis- und Zustandsfluss beibehalten haben.
1. AudioMath: Akustische Parametererkennung via purem DSP
Zur Erkennung von BPM, Key/Camelot und zur Authentifizierung von echtem/falschem HiFi nutzen wir die AudioMath-Spur. Diese Spur arbeitet völlig unabhängig von ONNX-Modellen und stützt sich auf klassische DSP-Algorithmen:
- Leistungsvorteil: Er liest direkt den decodierten PCM-Stream der Audiodatei und berechnet Energieausbrüche sowie Autokorrelation in der Rust-Schicht, was enorm viel Speicherplatz spart.
- Echte/Falsche HiFi-Authentifizierung: Um Hochfrequenz-Cutoffs und falsches Upsampling zu erkennen, unterstützen wir das dynamische Pass-Through der Abtastrate auf der Vorverarbeitungsschicht und analysieren direkt den spektralen Abfall des Audios, um durch Resampling eingeführte Fehler zu vermeiden.
2. MusicTags: Semantische Klassifikation via ONNX
Für abstrakte Semantik wie Genre, Stimmung und Instrumente verwenden wir lokal ausgeführte Deep-Learning-Modelle. Eingebettet in eine einheitliche, lang andauernde audio_analysis-Aufgabe werden die Modellausgaben präzise auf den Tag-Satz des Benutzers abgebildet.
[!NOTE]
Beide Spuren halten sich strikt an ein Design ohne Netzwerkabhängigkeit, wodurch sichergestellt wird, dass die gesamte Medien-Asset-Analyse zu 100 % auf dem Edge-Gerät (lokal) durchgeführt wird und extrem hohe Datenschutzstandards erfüllt.
II. Das wegweisende Entwurfssystem
Obwohl KI-Modelle leistungsstark sind, können sie die persönlichen Vorlieben eines Benutzers niemals zu 100 % perfekt treffen. Herkömmliche Musikverwaltungssoftware überschreibt häufig Audiometadaten direkt nach der Analyse, was für Benutzer, die ihre persönlichen Bibliotheken sorgfältig kuratieren, äußerst destruktiv ist.
Um dies zu beheben, haben wir das auf SQLite basierende Entwurfssystem eingeführt, das eines der Kern-Highlights unserer Architektur ist.
Die Kernlogik des Entwurfssystems besteht darin, dass unabhängig davon, ob es sich um manuelle Bearbeitung, KI-Analyse oder Stapel-Importe handelt, keine Änderung direkt in die Original-Audiodatei zurückgeschrieben wird. Sie generieren zunächst einen digitalen Patch-Plan, der als „Entwurf“ in einer unabhängigen, hochleistungsfähigen SQLite-Datenbank sicher gespeichert wird.
Innerhalb der Werkbank können Benutzer die Auswirkungen dieser Entwürfe nahtlos in der Vorschau anzeigen. Erst wenn der Benutzer vollständig bestätigt und aktiv auf „Rückschreiben anwenden“ klickt, verwendet das System eine atomare, sichere Schreib-Pipeline (Schreiben in eine temporäre Datei, Ersetzen und Beibehalten eines Rollback-Mechanismus über eine .bak-Kopie), um diese Tags in die Dateien zu zementieren.
III. Praktische Anwendung der Echten/Falschen HiFi-Authentifizierung
In der AudioMath-DSP-Spur ist die Authentifizierung von echtem/falschem HiFi eine Funktion, die den Geek-Geist unseres Produkts in hohem Maße verkörpert.
Wie oben gezeigt, können Sie beim Organisieren von Audio, wenn Sie auf ein hochauflösendes verlustfreies Format mit der Bezeichnung “24bit/192kHz” stoßen, direkt den Spektrogramm-Dialog aufrufen. In der unteren Ebene der Engine berechnen wir den PURE_QUALITY_CUTOFF_HZ und den entsprechenden Konfidenzwert:
- TRUE_HIRES (Echtes Hi-Res)
- SUSPICIOUS_UPSAMPLING (Verdächtiges Upsampling)
- SUSPICIOUS_LOSSY (Verdächtiger verlustbehafteter Export)
Um zu vermeiden, dass originale DSDs falsch beurteilt werden (die hochfrequente Rauschformung, die durch DFF/DSF-Formate verursacht wird, wird von herkömmlichen Algorithmen oft falsch beurteilt), haben wir diesen Prozess tief in die Decoder-Stufe integriert und den der nativen PCM-Abtastrate entsprechenden Energieabfall-Wasserfall extrahiert. Auf diese Weise kann das System Probleme intelligent und genau verhindern, bevor der Benutzer sich entscheidet, die Tags zu schreiben.
Fazit
Durch diese beiden Kernkanäle gewährleistet der AI Music Organizer den lokalen Datenschutz und leistet gleichzeitig Pionierarbeit in Sachen Leistung und Sicherheit bei der Analyse von Tag-Metadaten. In den kommenden technischen Analyseserien werden wir auch in die zugrunde liegende Suchmaschine und die mehrsprachige semantische Architektur eintauchen. Bleiben Sie dran.