钢琴多层采样问题

多层采样是解决力度问题,还原演奏力度。但力度采样目前存在一系列问题,目前接触到几套钢琴采样,存在一下问题:

1. 力度层数矛盾,一些采样多达10多层,甚至20多层。当然,层越多越细腻,表现(幅度和音色过渡)越好,但人的控制能力有限。1/20准确的演奏

控制力度很困难,就是1/10准确的演奏控制力度也是很困难的!有关人的演奏控制能力早有定论,在乐谱中,以 ppp (较少用),很弱 pp,弱 p,

中弱(稍弱)mp,中强(稍强) mf,强 f,很强 ff,最强 fff(较少用),为力度记号,8级为极限。去掉较少用的,也就是6级相对好控制,以我看来,

5级也就是5层易于实现。当力度层少时,就会出现过渡大、生硬,破坏律感,而人为演奏则不会,因为是连续线性的,采样层就像点一样,是跳跃

台阶状的。

2. 力度音质变化不良,力度越低越模糊,力度高了清晰,个别通透感强,试听这样的“钢琴”有点搞笑,一会清楚,一会模糊,音乐的律感被破坏,离真实

钢琴演奏相去甚远。

3. 不必要的响声杂声太多,乐器的采样应考虑听着听到了什么,而不是演奏者听到了什么。为了弥补传感器的不足,可以采取任何手段,但必须是听着的

采样。

4. 24位采样不妥,人耳无法分辨,因细微到一段导线的干扰就可破坏采样和重放,只有专业的设备及场合才有可能实现真正意义的24位采样及播放。

相对多占据存储空间。相对44.1KHz的低速率采样更没必要。

时间: 2024-11-03 14:49:04

钢琴多层采样问题的相关文章

关于Kawai钢琴采样

最近得到一套KAWAI-EX PRO钢琴采样,听后感觉还行,有点意思,因为之前听过几款KAWAI钢琴,其特点明亮,中规中矩,SK5B更是留下好的印象,音色悠扬且典雅动听.KAWAI钢琴采样遗憾的是中间缺少采样,所以就不试听了,为了弥补遗憾,还是唠叨几句.KAWAI的琴价格中等,音质可圈可点,不怕你听.可采样大跌眼镜,不知怎么想的,KAWAI钢琴有一定历史了,作为对比,其他几个大佬的钢琴一个采样都不缺.这套采样还是有优点的,音质,音色可圈可点,采样分踏板上和下,这样还原更加真实,因为钢琴实际就是这

CNCC2017中的深度学习与跨媒体智能

转载请注明作者:梦里茶 目录 机器学习与跨媒体智能 传统方法与深度学习 图像分割 小数据集下的深度学习 语音前沿技术 生成模型 基于贝叶斯的视觉信息编解码 珠算:基于别噎死推断的深度生成模型库 图像与视频生成的规则约束 景深风景生成 骨架约束的人体视频生成 跨媒体智能 视频检索的哈希学习 多媒体与知识图谱 基于锚图的视觉数据分析 视频问答 细粒度分类 跨媒体关联与检索(待补充) 正片开始 传统方法与深度学习 图像分割 图像分割是医疗图像中一个很重要的任务,通常分为分割,配准,可视化几个子任务.这

钢琴采样试听体会

要求: 要求具有.wav采样文件,或可批量导出为.wav采样的文件.因为后续可能要使用. 1. 法吉奥里大钢琴(Fazioli): 优点: 演奏级大钢琴,有范,气派,钢琴味浓. 文件系统: 目录结构有序,分层结构明显,采样文件以层标层,数字标音高,排列清晰良好.88个Sustain分层采样,88个Staccato分层采样. 采样规格: 44100Hz采样率,24位采样位数,不合理. 采样试听: P1  采样,显然杂乱无章,不必要的哐动及响声太多过响或过乱. P2  贴近钢琴采样,Sustain

音频中采样位数,采样率,比特率的名词解释(转)

采样位数: 采样位数可以理解为采集卡处理声音的解析度.这个数值越大,解析度就越高,录制和回放的声音就越真实.我们首先要知道:电脑中的声音文件是用数字0和1来表示的.所以在电脑上录音的本质就是把模拟声音信号转换成数字信号.反之,在播放时则是把数字信号还原成模拟声音信号输出.采集卡的位是指采集卡在采集和播放声音文件时所使用数字声音信号的二进制位数.采集卡的位客观地反映了数字声音信号对输入声音信号描述的准确程度.8位代表2的8次方--256,16位则代表2的16次方--64K.比较一下,一段相同的音乐

乐器采样库文件格式

-------------------------------------------------------------------------------------- 1. 缩写: 乐器库的英文为: Musical instrument Libraryn 缩写: MIL 作为文件文件扩展名.mil -------------------------------------------------------------------------------------- 乐器采样库文件格式:

乐器采样,何去何从?

1.  对钢琴采样失望,问题太多,离表现钢琴的魅力相去甚远.通过修饰是没有意义的.就像一个小姑娘,长的很漂亮,但照相师照的模模糊糊,角度也有问题,能抽象的都抽象了,你说不是这个小姑娘把, 还真是,杂志社拿到照片后直犯嘀咕,这小姑娘不但漂亮,而且活泼可爱,还很大方,亭亭玉立,舍不得不登,那怎么办呢?修修吧,话说这杂志社别的本事没有,就PS技术高,凤姐也能修成天仙妹妹, 犀利哥也能修成刚阳十足帅帅哥,令百万美女垂青.话说这照相师也挺窝火,既没一套理论,也没一套实践,更没人像照相这门课,以前只照过风景

多层感知机,非权值共享型卷积神经网络,权值共享型卷积神经网络之间的关系

前言:最近学习深度学习,有感写一点总结. 我们常常所说的神经网络,一般是指原始的多层感知机,简称MLP,它是在原始感知机堆叠多层而成的,MLP完全由全连接层组成(当然也有激活函数),即Caffe里的IP层.MLP的最大的缺点在于参数众多,比如说我们的网络层为1000--1000--500--20,那么它的总的参数为:1000*1000+1000*500+500*20. 参数过多不好训练,容易产生过拟合现象. 卷积神经网络,即CNN,它大大减少的网络参数的数目,通过1. 权值共享 2. 局部连接

基于theano的多层感知机的实现

1.引言 一个多层感知机(Multi-Layer Perceptron,MLP)可以看做是,在逻辑回归分类器的中间加了非线性转换的隐层,这种转换把数据映射到一个线性可分的空间.一个单隐层的MLP就可以达到全局最优. 2.模型 一个单隐层的MLP可以表示如下: 一个隐层的MLP是一个函数:$f:R^{D}\rightarrow R^{L}$,其中 $D$ 是输入向量 $x$ 的大小,$L$是输出向量 $f(x)$ 的大小: $f(x)=G(b^{(2)}+W^{(2)}(s(b^{(1)}+W^{

乐器采样音色要求

听了一些乐器采样(目前主要是钢琴),觉得有些问题,因此作些要求“以正视听”,因个人经济能力有限,无法采样对比,以正“耳听为实”. 1. 乐器采样音色概念: 采样乐器就是为还原乐器的听觉声音,越真实越好.有些采样理解错了,比如某些钢琴采样,将麦克风放入琴体内,得到的声音采样不但不不真实,                              反而造成巨大的“乐器失真”原因是锤击声过大,喧宾夺主,箱体的“框声”异常,属于“音染杂响”,箱体共鸣出现问题属于“箱体共鸣畸变”