IT瘾音乐推荐

Google 演示从文本描述生成音乐的 AI

Sat, 28 Jan 2023 17:46:34 CST

Google 演示了从文本描述生成音乐的 AI 系统，但因潜在风险，搜索巨人没有发布该 AI 的计划。Google 的 AI 系统称为 MusicLM，类似的 AI 音乐系统有 Riffusion、Dance Diffusion，以及 Google 自己的 AudioML 和 OpenAI 的 Jukebox。由于技术限制和训练用的数据集有限，此前没有一个 AI 系统能创作出复杂或高保真的歌曲。MusicLM 可能是第一个能做到的。Google 研究人员使用了 28 万小时的音乐数据集进行训练，学习从复杂的文本描述中生成连贯的歌曲。它创作的歌曲听起来像是人类音乐家可能创造出来的。研究人员也注意到了 MusicLM 系统面临的伦理挑战问题：倾向于将训练数据集中的版权音乐整合到生成的音乐中。

网易云音乐全链路埋点管理平台建设

Wed, 21 Dec 2022 17:39:42 CST

图片来源： https://unsplash.com

本文作者：ZYF

一、背景

在文章云音乐曙光埋点：还原数据理想国中，我们介绍了曙光埋点项目方案，该方案基于多端一致埋点对象树建设管理，实现了统一自动化埋点和链路追踪，方案高度还原了大前端埋点的理想状态、具备较强通用性和扩展性。我们围绕这套埋点方案研发了配套的埋点管理系统，以承载及埋点规则数据管理、埋点设计、埋点研发、埋点测试、埋点上线等功能，本文主要介绍该平台功能及建设思路。

二、平台现状介绍

经过前几期建设，我们已经实现了一个适配研发流程的、按版本来管理的埋点数据管理平台，其核心功能为：

1、承载埋点研发生命周期
2、承载埋点的元数据管理

我们的研发生命周期如下：

平台在埋点元数据管理设计如下，参考和学习了版本管理工具的功能，并且充分考虑了客户端的研发流程特点

1、客户端每个大版本需求研发时，BI对埋点需求进行分类，建立需求组。可以理解为基于Master CheckOut出了多个分支。
2、BI在各需求组内，按埋点需求设计埋点。设计完成后，平台会计算出埋点的变更列表，如新增对象、新增血缘关系、修改参数、删除对象、删除血缘关系。
3、上述变更由BI指派到任务，交由开发处理
4、经过一个版本迭代开发后，若任务开发测试完成处于可上线状态，会被打上版本的TAG，并且发布上线，在Master产生一个新版本；未完成的任务，则可在后续版本迭代开发完毕后再上线。

相比版本控制工具，适配研发流程的版本控制具有以下特点：

1、支持部分变更上线：需求内的变更可以自由筛选出来部分上线，可以类比为分支内提交数个文件，可以筛选出几个文件单独合入Master
2、需要走研发流程才可上线：每个埋点变更都拥有独立的研发流程控制和校验。这些流程(设计完成->开发->测试通过)需要走完后，才准许合入Master。
3、模型更加复杂：不是简单的文本，而是复杂的层级对象结构。

三、我们遇到的问题和痛点

在上述研发流程模式的落地过程中，我们发现了以下问题和痛点：

1、落地质量问题
- 漏埋：因为涉及较多埋点事件、埋点参数的组合，在某些组合下，埋点没有上报。
- 错埋：埋点参数缺失或格式不正确。
- 归因错误：埋点里的归因字段设置错误、不合理。
2、落地效率问题
- 大量重复埋点代码编写：如果涉及大量对象埋点，埋点工作势必成为大量重复劳动，影响研发效率。
- 埋点进行增量变更时，无法知道改动了什么：平台只展示了某个埋点全量信息，并未展示其增量改动（没有类似版本管理工具的Compare视图）。
3、功能痛点
- 有一些埋点长期停留在研发阶段未上线（类比于写代码时开发分支落后Master多次提交，没有去Pull Master获取最新的主线代码改动），导致这些埋点很可能是过时的，如果不进行卡点直接上线，就会导致问题
- 埋点数据是按APP+端两个维度隔离的，但实际运用时存在内嵌情况，如APP端可内嵌WEB端H5页面的功能，这种情况下，需要把原本隔离的数据进行整合，如把部分WEB埋点树挂载在APP端树上。

针对以上问题痛点，平台在近半年内进行了针对性的解决。

四、埋点质量建设

解决该问题的思路为先解决源头防止增量质量问题产生，再解决存量质量问题。

1、建设实时埋点校验功能，从源头解决埋点质量问题

客户端埋点开发完成后，需要进行"实时校验"，从而对被指派的埋点任务进行测试覆盖，其步骤如下：

客户端连接到实时校验平台，平台根据该任务需求，生成埋点校验树
客户端上报日志，平台根据埋点校验树进行校验
平台根据测试情况，决定测试是否通过
- 需求范围内有埋错：不通过，且可以查看日志看到具体为何不通过，如下图所示
- 需求范围内有漏埋：默认不通过，但事实推进落地中，存在部分分支客户端难以复现覆盖的情况，因此我们也支持了勾选某些分支无需测试的功能，如下图所示
若测试为不通过，则将卡点阻塞流程，后续无法正常上线

经过实时埋点校验功能的上线后，我们封堵住了大部分埋点错误源头，达到了较好效果。

2、建设线上埋点稽查功能，发现存量埋点问题并推进解决

稽查功能定位为企业日志的统计分析，解决以下问题：

1、分析日志是否按规则正确输出，检测出少参数、参数取值错误、归因错误等问题，并对这类问题进行归类，并可进一步钻取，直至能够看到原始日志的样本。
2、自定义灵活业务统计监控、报表、报警。通过监控、报表中数值变化报警来发现、辅助定位端上发版后一些bug。如：某些点位日志变少、PV/UV比例变化等。

为实现上述功能，需要对日志进行采样分析计算(可以理解为打上各种标签)，并且将计算结果存储在能够支持筛选、统计查询功能的数据库中，为典型的OLAP场景，我们选型时，采用了ClickHouse来完成这块功能，其主要考量点如下图所示

经过稽查功能上线和推进，我们的线上埋点错误数已经下降了95%，并且还在逐渐降低中，达到了较好的效果。

五、埋点效率建设

使用模版引擎自动生成代码上文提到，埋点时涉及大量重复埋点代码编写，我们针对该问题使用模版引擎语言自动生成埋点代码，且支持适配了安卓、iPhone、Web、RN等多套客户端，把代码提前生成好，能自动填写的部分全部自动填写，客户端复制代码后只需要把代码模版里剩余部分补全即可，如下图所示
展示埋点DIFF，让开发更容易理解埋点改动点

我们开发了埋点DIFF功能，相比与版本管理软件中的代码文本对比，埋点元数据是一种更加复杂的数据结构，因此在服务端计算DIFF和前端界面展示DIFF上相对来说较复杂一些。如下图所示，我们通过在原有界面上通过背景色来区分变更操作是新增、修改、还是删除。

六、研发中埋点自动Rebase到最新Master

前文提到，有一些埋点长期停留在研发阶段未上线，目前没有pull master的功能，导致：

1、这些未上线埋点元数据很可能是过时的，如果直接上线会导致业务问题。
2、无法使用到最新Master下的新增对象，或者还在使用已删除对象

因此我们对在需求池内未上线的研发阶段对象，每次上线后，都自动pull master处理。如下图所示为一个未上线需求从安卓8.8.11 Rebase到安卓8.8.12的过程，rebase后可能存在部分变更需要删除或重新研发。

rebase算法的核心在于计算出Master和本研发分支对比同一个基线的原子改动列表，并尝试依次合并，并将合并后的变更应用到基线上。其流程图如下：

其中变更合并时的逻辑如下：

人工冲突解决时，我们采用了上文“展示埋点DIFF”的功能，让埋点设计人员同时看到两方改动，并在界面中录入最终合并结果。

七、埋点跨空间打通

云音乐业务存在多个业务线，他们的“埋点空间”是相互独立的。但云音乐存在内嵌业务的情况，如云音乐APP下可内嵌LOOK直播APP、以及WEB端的H5页面等，即使云音乐APP不发版，内嵌的业务的埋点也可能会发生变化。因此需要把内嵌业务对应的的埋点树“桥接”到当前APP埋点中。针对这种诉求，我们研发了“桥梁”模式，如下图所示:

桥梁为一类特殊对象，用于衔接父子空间，如图示为衔接云音乐APP和WEB H5两个独立的埋点空间，其中云音乐APP是父空间，WEB为子空间
桥梁在父空间定义
子空间对象可设置挂载在父空间桥梁下
父空间展示埋点树时，只关心到桥梁为止
子空间展示埋点树时，会把桥梁以上所挂载的父空间树也展示出来
内嵌开发完毕后，需要使用父空间APP验证子空间的带桥梁埋点是否正确，其SPM为带父空间的完整路径

此外由于埋点按版本管理，因此埋点树若变化，必须要在平台内产生新版本，因此：

子空间发布，父空间不需要发布新版本，因为子空间埋点树对父空间不可见
父空间发布，若涉及桥梁更改，则会改变子空间埋点树，此时需要在子空间同步发布一个新版本

八、未来规划

在埋点领域中，除了纯客户端埋点，还有服务端埋点，以及双端共同完成的混合埋点，常见的混合埋点包括：

服务端下发的字段，客户端需要打到客户端埋点里
客户端上报的字段，服务端需要打到服务端埋点里

此类需求广泛存在，但未在本平台上进行管控，其流程、效率、效果是不可控、不可监控的，后续平台将把服务端埋点及服务端+客户端混合埋点也平台产品化并进行管控。

此外，网易云音乐全链路埋点管理平台前后端、客户端SDK等组件都将在近期贡献到开源社区，为业界带来更大价值。

腾讯音乐知识图谱搜索实践

Sat, 05 Feb 2022 00:00:00 CST

分享嘉宾：Elvin 腾讯音乐高级工程师

编辑整理：李一中科雨辰

出品平台：DataFunTalk

导读：近几年来，图数据在计算机领域得到了广泛的应用。互联网数据量指数级增长，大数据技术、图数据方面的应用增长很快，各家互联网大厂都在图数据分析和应用方面大量投入。为了让我们的搜索更加智能化，腾讯音乐也借助了知识图谱。今天和大家分享下腾讯音乐在图谱检索与业务实践方面的探索，主要包括以下几大部分：

音乐知识图谱介绍
图数据库选型
项目架构介绍
知识图谱搜索功能应用举例
总结与展望

01 音乐知识图谱介绍

首先和大家介绍下音乐知识图谱的相关知识。

1. 音乐数据分类

图状数据广泛存在，其中与音乐相关的业务数据主要有以下三类：

内容方面有歌曲、综艺、影视、专辑等；
歌手方面有歌手信息、歌手之间的关系，包括组合、相似等；
歌手和歌手内容之间的关系有演唱、作词、作曲等。

2. 音乐知识图谱的应用场景

(1) 复杂搜索需求实现

音乐知识图谱不仅可以做简单的搜索，还可以实现复杂搜索需求。例如要查询周杰伦的男女对唱的歌曲有哪些，如果要实现这个查询，需要对周杰伦的歌曲进行一定的过滤，歌手的数量要等于2，另一位歌手的性别是女性，还要考虑基于播放量、歌手权重等等的排序。在传统关系型数据要实现这个功能很复杂。利用知识图谱就比较简单了，先找到歌手周杰伦，查找周杰伦的所有歌曲中满足2人合唱，另一个歌手性别是女性的，只要两跳就可以实现复杂的搜索查询。

(2) 搜索结果的相关推荐

可以根据搜索的关键词，查询图谱中的实体节点，根据实体节点查询出关联的节点，用关联的节点给出推荐的结果。例如用户搜索周华健，可以通过关联信息推荐出李宗盛。如果通过搜索引擎，很难推荐出李宗盛，而用知识图谱，只要两跳，周华健歌手到对应组合（纵贯线），从组合再到另一歌手李宗盛，只要两跳。

(3) 基于知识计算给出答案

可以根据知识图谱的计算来给出一些答案，通过图谱的关联信息，实体上下位信息，实体属性信息，查询出相应的答案。例如用户搜索刘德华90年年代的歌曲，用知识图谱的话，只要歌手刘德华，时间90年代歌曲，两个联合起来就可以得到结果。

3. 搜索召回和知识图谱召回优缺点

搜索召回，是基于文本匹配的，召回之后会涉及相关性排序，相对来说比较复杂，精准度不足，可能过度召回。搜索召回的流程比较复杂，排序策略也相对复杂。

知识图谱召回，是基于实体之间的关系进行查询，可以做到精准召回，也没有过召回，召回的流程可以很短，也就是几条图查询的语句。另外，知识图谱还具备一定的推理能力。

02 图数据库选型

要实现图查询，首先得做图数据库的选型。

图数据库的选型，需要考虑以下几点因素：

开源非付费，考虑到成本及源码可控性，选择拥抱开源；
分布式框架可扩展，随着数据的增加和减少，后台必须是可扩展的；
高性能毫秒级多跳查询，要做到毫秒级的在线响应；
支持千亿级规模数据量；
支持数据批量导入导出。

我们对比了8个数据库，对优缺点进行了分析，对这些数据库进行了分类：

第一类，以Neo4j为代表的，只有单机版本，性能比较优秀，但是不满足分布式可扩展性要求。Neo4j的商业版本支持分布式，但是却是收费的。
第二类，JanusGraph、HugeGraph这类数据库，支持分布式可扩展的，他们的共同特点是在现有的图谱上增加了通用的图语义解释层，受到存储层架构的限制，存储层是外部数据库实现，不支持计算下推的功能，导致性能较差。
第三类，以NebulaGraph为代表，这一类数据库都实现了自己的存储层，支持计算下推，做了效率上的优化，性能提升很多。

从上图看到综合性能测试数据。我们通过1度邻居（跟点直接相连的点），2度邻居，共同邻居，这三个方面来对数据库性能进行测试，可以看到Nebula不管是单机性能，还是集群性能，都要远超于其他竞品。考虑到性能，社区活跃度，版本迭代速度，语言上的通用性，我们最终选择了Nebula数据库做为我们项目的图数据库。

03 项目架构介绍

1. 在线层

包含以下模块：

Storaged负责具体数据的存储，包括点数据、边数据，以及相关的索引；
Metad负责存储图数据的meta信息，例如数据库的schema、addition等；
Nebula graphd负责数据计算的逻辑层，是无状态的，可以进行平行扩展，内部执行计算引擎来完成查询的整个过程。
Nebula proxy是我们新增的模块，作为整个nebula模块的代理层，可以接受外部的命令，并对图数据进行操作，包括图的查询，更新，删除。另外，nebula proxy也负责协议的转换，集群的心跳和路由注册。

由于单集群有重建数据的需求，也为了防止机房故障，我们选择双集群来支撑整个服务的可用性。

在线层请求处理的流程为，cgi在接收到用户请求后，将用户请求传给broker模块，broker请求模版匹配生成相应的图查询语句，从Zookeeper中提取可用的集群，将查询语句发给nebula proxy进行图谱召回，nebula proxy将具体的查询语句传递给nebula graphd, nebula graphd负责执行最终的语句，然后把结果返回给broker层，broker层补充一些前端显示摘要后，将数据返回给前端做展示。

2. 离线层

音乐数据有实时的新增数据，例如新增发行的唱片，还有全量数据的更新，所以我们选择了全量加增量的数据层方案。

(1) 全量数据生成方案

音乐很多数据存在数据库中，先将数据从DB中dump出来后，由IndexBuilder模块将数据格式转换为所需的格式后形成一个全量的源数据，将全量的源数据上传到HDFS后，通过运行spark任务，把数据转为Nebula底层所需的数据文件，IndexMgr发现有新的常量数据生成后，将数据文件下载下来，将全量数据加载到NebulaProxy，这样全量数据就生成好了。

(2) 实时数据的生成

每隔一段时间，通常是几分钟，将几分钟之内的业务修改数据dump出来后，转为特定的格式，形成一个增量的源数据，增量的源数据存入到Kafka里面，可以用于数据的重发和恢复，DataSender从Kafka队列里面拉取到最新的数据，通过NebulaProxy发送到集群，这样增量数据就生效了。

这里涉及到了一个增量补发的问题，因为存量过程dump过程中要耗费很长时间，可能要花几个小时，在全量数据dump过程中也有新的增量数据，这期间的增量数据可能并没有进入到全量的数据当中。所以这里需要进行一个历史增量的补发，从T0后（全量同步开始时间）的新增数据，不在全量数据中，需要将T0之后的数据全部进行补发。

04 知识图谱搜索功能应用举例

1. 配置化召回

常规召回方式为：根据Query生成查询语句，获取召回结果，根据策略混排，召回结果展示。

这样做的问题是，每做一次，每增加一种新的召回策略，以上四步都要重复，所以召回不够灵活，业务改动大。

我们增加了一种新的基于Query模板的召回方式，就是根据模板生成对应的查询语句，同时预先设置了一些常用的混排策略。比如我们配置一个学校加校歌的模板，当查询校歌的时候，我们把学校的名字提取出来，填到查询语句里面，形成一个完整的图查询语句。同时也预置了一些混排插入策略，填入对应的混排参数，就可以做到上线。这样做的优点就是召回比较灵活，和搜索相比，召回上线的代价比较小。

2. 业务应用

我们最终上线了上图这些业务，支持各类搜索场景。

校歌搜索：当用户搜索大学校名和校歌组合时，召回对应的学校的校歌；
歌手场景：当用户搜索歌手名字的时候，返回歌手所在组合，以及合唱过知名歌曲的合作歌手等；
影视场景：当用户搜索影视主题曲、片尾曲、插曲等等的时候，返回对应的影视的歌曲。

05 总结与展望

今天的讨论从图数据的选型开始，到schema分类定义，项目架构层设计，再到知识图谱的搜索。结论是采用图数据，可以很好的把专家经验智能融入图谱。通过图数据技术实现的知识库，增强了检索、推荐、可视化等功能，腾讯音乐很好的对知识图谱技术进行了应用，大大提高了客户的搜索体验感，增强了客户黏度。让我们拥抱AI技术，让其更好地服务于生活。

06 精彩问答

Q：在搜索过程中有考虑音频信息吗？

A：这个是有考虑的，我们可以通过音频识别技术，首先去识别歌曲的一个大的分类流派，比如说像民谣摇滚流行这些流派，然后在线检索的时候，我们会通过这种语音搜索去召回。另外，我们跟QQ音乐天津实验室也有合作，比如像听目前的金科视曲，后台走的也是走我们的限量搜索，也是通过对音频信息进行的召回。

Q：语义检索结果排在第几位？是怎么和关键词检索一起排序的？

A：首先我们会通过算法去挖掘某一个语义标签跟某一首歌曲的相似度，语意搜索的话就可以通过语音标签进行召回，优先把语义相似度高的结果排到前面。当然也会有一些奇异的情况，比如说像赵雷有一首歌叫民谣，民谣这首歌就是一个歌曲，它同时也是一个语义，我们排序的时候也会兼顾这种混排的效果，最下层排序，首先会把民谣的歌曲放在前面，因为它毕竟是一个比较知名歌手的歌曲，下面会把对应的语义的结构放在后面，然后我们在更上层会有基于算法的排序模型去给用户推荐点击量高的调前。

Q：全量索引版本切换双buffer内存是否会翻倍？

A：实际上我们索引切换的过程中是没有双buffer的，是按每一个分片下的每一个副本进行逐个切换，切换的时候会进行动态的卸载，所以并没有占用额外的内存。

Q：跨越截断，是在index截断好，还是在线选择截断？

A：是在线选择截断，如果离线截断会导致数据丢失，这样是没办法回溯的。截断也是分片的，向量检索也是可以分片之后，做并行检索。

今天的分享就到这里，谢谢大家。

在文末分享、点赞、在看，给个3连击呗~

分享嘉宾：

活动推荐：

2022年02月19日，由英伟达、中电港联合举办的《深度学习推理优化与部署实践》技术分享，邀请英伟达、京东科技、vivo技术大咖，围绕“如何给深度学习加速？”为大家带来系列分享，感兴趣的小伙伴可识别下方海报二维码进行报名。

关于我们：

DataFun：专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100+线下和100+线上沙龙、论坛及峰会，已邀请近1000位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章500+，百万+阅读，12万+精准粉丝。

分享、点赞、在看，给个 3连击呗！

华语音乐的最后希望在宝岛，宝岛音乐的希望在年轻的乐团，分享一下我心中那些值得一听的新时代台湾乐团

Mon, 20 Dec 2021 00:00:00 CST

前言

我会避免在标题和正文中使用“小众“、”宝藏乐队“等油腻或者已经开始变得油腻的词语。
本文不会包含落日飞车、告五人、茄子蛋等耳熟能详的乐队。
虽然按专辑分享会显得更懂音乐，但我还是会按单曲来分享。
歌曲评级仅代表我个人的喜欢程度。
部分歌曲名在 spotify 上会有不同，比如《挖掘机》在 spotify 上叫《怪手》。

现在让我们开始分享吧

1 、美秀集团

S 级 ——《米儿》《生活袂晓过》
A 级 —— 《细粒的目睭》《小老婆》《挡一根》《卷烟》《做事人》《马克吐温》

第一次听他们的歌曲可能会觉得这是城乡结合部的杀马特土嗨乐队，而且主唱的发型、长相和嗓音都有点像面筋哥。但是只要你接受了他们的风格，就会发现他们真的很牛逼（面筋哥其实也很牛逼）。

2 、浅堤

S 级 ——《挖掘机》《多崎作》《高雄》
A 级 ——《树影》《月光》《青春咱的梦》《叨位是你的厝》

一个轻快、清新的乐队，刚发了新专辑。听他们的快歌会让你觉得来到了阳光明媚的周六上午。但是轻快的歌曲可能在讲一个沉重的故事。女主唱又写词又作曲又唱歌，声音也很好听。我很喜欢他们的吉他和鼓点。

3 、怕胖团

S 级 —— 《我没有用，没办法给你想要的生活》《后照镜》《想想当初吧》
A 级 —— 《鱼》《月旁月光》《抱歉我不想跟你道歉》
搞怪级 —— 《蚊子妳来咬我啊！我才不怕妳？！！！》《内外夹攻大力丸》

一个台味很浓的台湾乐队（诶，你很机车诶！），爱情 hàn 友情是他们的主要创作主题，三个很明显的元素：很纯粹的悲伤、带了点恶搞的悲伤、带了很多恶搞的快乐。但是有一点我不喜欢，就是他们很执着于《抄你妈的笔记本》这个很不雅的谐音梗（甚至还专门出了一个 2021 版）。查了一下居然是 2007 年就创立的乐队了，虽然已经不年轻了但是我还是想加进来。

4 、热写生

S 级 —— 《爱与胶囊》
A 级 —— 《在船底搔痒》《青元春朗》

说实话他们的歌我听不太懂，歌词看上去很有文化很哲学，歌曲听上去给人的感觉是独一无二的——目前还没有听过风格类似的乐队，即使是故弄玄虚也值得一听。

5 、青虫 aoi

S 级 —— 《我毋是刁故意》《青鸟》《大树公》
A 级 —— 《分手后你才送我生日蛋糕》《简幼》《媠花》

这支乐队大多数歌曲都是闽南语，女主唱的声音很温暖，歌词写得也很棒。擅于讲述亲情，发掘生活中有意义的事物。

6 、当代电影大师

S 级 —— 《那些事情是真的有意思吗》
A 级 —— 《我觉得春天好像要来了》

很装逼的一支乐队，刚发了第一张正式专辑(有 15 首歌)，我觉得最惊艳的还是《那些事情是真的有意思吗》的前半段，词、节奏和鼓点都太强了。

7 、Crispy 脆乐团

S 级 —— 《转圈圈》
A 级 —— 《 Deja Vu 》

他们应该还有其他好听的歌，但是因为我听得不多，难做选择。顺带一提，转圈圈的 MV 拍得很有意思，我是在 youtube 看到那个 MV 才关注他们的。

8 、好乐团 /Goodband

S 级 —— 《我们一样可惜》《我把我的青春给你》
A 级 —— 《他们说我是没有用的年轻人》《蒸发》

一个很丧的乐队，女主唱的假音相当牛逼，他们的歌很悲伤但是很好听，深夜 emo 必备。

网易云音乐数仓维度建模实践：模型设计篇

Sat, 13 Mar 2021 00:00:00 CST

数仓模型架构搭建、模型设计是整个数仓建设的核心部分。数仓建模的价值体现在：数据质量、健壮水平、资源消耗、服务响应速度。

写在前面：我们为什么要建模

这里想先说下，这些年我在数仓摸爬滚打的一些经历：

刚毕业那会儿，我觉得数仓简单啊，不就是用sql开发一张张表嘛，谁不会呀，那段时间觉得好没挑战呀，没事的时候捣鼓下高大上的spark、scala啥的。

后来开始接触模型，我的认知开始发生变化，原来每一个表都是一个个精心设计的模型，我以为数仓就是一个个模型。

再后来，接触越来越复杂的业务，我发现，设计模型也不是一个简单的事情。我以为我设计地很完美，但，业务不断发展后：

一个需求一个模型，要膨胀了......
原来的模型跑的时间越来越长了？
有些kpi指标要早点出来，但是受模型里个别指标硬生生的拖慢了速度？
发现一个bug，想快速补数据，发现只能串行一天天的跑？
怎么好多模型的指标有重复咧？
这个指标长的一样，咋定义不一样呢？
怎么同样口径的指标，从不同的表计算，数值不一样呢？
这咋每天都在延迟报警诶？每天都要运维，心塞塞~~
业务要这个数据，哪个表计算的来着？
常用指标和僵尸指标都在一个模型躺着，删怕影响业务，用户难受，不删我难受，浪费资源 ......

淌过这些坑后，如醍醐灌顶，这其实就是一个系统嘛。它不是一张表，也不是一个模型，而是一个有着完整体系架构和规范，需要同时考虑功能性需求和非功能性需求的系统。功能需求很好理解，就是满足业务需求，产出数据和指标。难点在于非功能性需求，比如：指标质量高不高、数据安不安全、数据产出快不快、模型是否稳定可扩展、数据服务稳不稳定、代码是否健壮、是否浪费了计算资源和存储资源......

总之，数据模型就是数据组织和存储方法，它强调从业务、数据存取和使用角度合理存储数据。它的价值体现在：数据质量、健壮水平、服务响应速度、资源消耗。转化成对企业数仓的要求就是：强稳定、高质量、高效率、低成本。

一、搭建模型架构

这一环节，我给它取了个名字，叫"定调"。这里主要根据各自部门的业务形态和数据服务特点来确定整体数仓建设的基调。

首先，明确数仓各层次的要做的事情，下面是云音乐模型层次的框架图：

DWD：存放面向业务过程的明细事实数据，做一些数据清洗和规范化等。
DWS：面向分析主题建模，这里要说明的是，云音乐dws层的基架是轻度汇总事实表，这里做了一些常用的退化维，基本要求是：大部分指标都可以从轻度汇总层上计算得出。中度汇总层按需建设。重度汇总层基本上是单实体指标。
DIM：所有实体的维度，云音乐含有不同身份的用户和多种类的内容实体，所以会有大量的维度模型
ADS：数据集市层。基于dws和dim表，云音乐建设了大量面向应用的数据集市。

确定横向模型层的任务后，接下来要确定下纵向数据域下各业务线的建设模式。

根据经验，数仓的建设难度与业务深度和复杂度是成正比的，dws层的建设尤为复杂。dws层的设计要考虑三个方向：

数据域的划分特点
业务的复杂度，各业务线、业务过程之间的区别和联系，用户在各业务线的特点和关系，业务数据体量，解耦因素等等。
指标的特点，指标的构成无非是退化维+时间周期+原子指标构成，所以分析下指标的退化维一般有哪些、时间周期有哪些、原子指标种类有哪些。

基于以上三点，大致可以给整体数仓定个调，敲定数仓dws，从而整个数仓架构基本上就可以确定下来了。比如，云音乐最重要的用户和内容业务线的设计大致如下架构：

主要思路是：

各内容业务线各自独立建设内容和用户类指标，按照上面架构图分数据域逐步建设
轻度汇总表和中度汇总表都是用户实体+内容实体+退化维模式。轻度汇总表基本涵盖大部分需求场景
重度汇总表要么是单实体，要么是用户+内容双实体组成，且不包含退化维
重度汇总表分为增量表和全量表，增量包含近1/3/7/30天时间周期的指标，全量表计算历史累计指标。这么做的目的是在计算人数类指标和计算资源之间做了平衡。
每个内容业务线最后都有自己内容大宽表和维表
用户指标拆分到具体的内容业务线上，各自独立建设用户业务宽表，做到充分解耦，以满足各自场景需求
用户维表采用先分后总模型：先建设不受业务数据干扰的公用基础维表+各业务线用户维表，强解耦，保持独立，再建设全域用户维表

二、建模流程

定下数仓的基调，即模型架构后。接下来就要开始进行具体单个模型的设计了。具体建模流程按照下面流程进行：

三、模型设计方法论

有了模型体系架构和建模流程，我们要实打实地设计一个个模型。我们知道表的分类主要是事实表和维表。事实表是维度建模的核心，维度是维度建模的基础和灵魂。设计模型其实就是在设计事实表和维度表。简单介绍下模型设计的基本原则和设计方法。

1.模型设计基本原则有：

1.1高内聚低耦合（最重要，非功能性需求决定架构）

产出时间
粒度
业务相关性
访问频率
运行方式：并行、串行
资源消耗情况

1.2核心模型与扩展模型分离

核心模型：支持常用的核心业务
扩展模型：支持个性化或少量应用需要
比如：mlog的分享引入，只有在做增长时才需要，需要拆开成立专门的分享引入模型

1.3公共处理逻辑下沉及单一

越是底层公用的处理逻辑越应该在数据调度依赖的底层进行封装与实现，不要让公用的处理逻辑暴露给应用层实现，不要让公共逻辑多处同时存在。

1.4成本与性能平衡

适当的数据冗余可换取查询和刷新性能，不宜过度冗余与数据复制。

1.5数据可回滚

处理逻辑不变，在不同时间多次运行数据结果确定不变。

1.6一致性

具有相同含义的字段在不同表中的命名必须相同，必须使用规范定义中的名称。

1.7命名清晰、可理解

表命名需清晰、一致，表名需易于用户理解和使用。

2.事实表设计方法

2.1选择业务过程及确定事实表类型

事实表类型：

1）单事务事实表：单个业务过程

2）多事务事实表：多个业务过程放在一个事实表中

①原则：

业务过程是否有相似性？
是否来源同一业务源系统？
用户使用的学习成本哪种更低？
计算和存储成本是否会降低？

②方式

不同的业务过程使用不同的事实字段进行存放
不同业务过程的事实使用同一个事实字段进行存放，但增加一个业务过程标签

2.2声明粒度（非常重要）

粒度传递的是与事实表度量有关的细节层次，精确定义事实表每一行所代表的业务含义

尽量选择最细级别的原子粒度，以确保事实表的应用具有最大的灵活性。

2.3确定维度：应该选择能够描述清楚业务过程所处的环境的维度信息。

2.4确定事实：

应该选择与业务过程有关的所有事实
事实的粒度要与所声明的事实表的粒度一致

2.5冗余维度：

冗余下游用户方便使用的常用维度：常用的用于统计的维度属性

冗余原则

不冗余查询速度是不是很慢

存储资源是不是够

查询频率是不是很多

冗余在哪一模型层的事实表中：明细层、轻度汇总层？

3.维度设计的基本方法

选择维度和新建维度
确定主维表
确定相关维表
确定维度属性：从主维表和相关维表中抽取
尽可能生成丰富的维度属性
尽可能多地给出包括一些富有意义的文字性描述，例如名称等
区分数值型属性和事实：看用途
尽量沉淀出通用的维度属性
维度设计遵循的通用原则：反范式、扁平化

四、实例介绍

根据前面介绍的方法论，云音乐社区mlog内容线的部分模型架构如下：

维表：一张mlog主维表
mlog互动行为轻度汇总表：mlog的互动行为合并，因为具有相同的环境信息
流量轻度汇总表：曝光点击浏览合并，环境信息相似
历史累计指标单独：运行方式解耦
1d/3d/7d/28d指标：合并，运行时间不影响，不解耦

五、总结

上述提到的模型分层、建模流程和建模方法论，在团队内部形成了较为稳定的规范，并在团队内部得到大力推广。好的规范离不开产品功能的加持，网易有数大数据平台的模型设计中心基于网易内部多个团队的数仓建设经验，将数仓建模实践经验和方法论进行了产品化，为云音乐数仓团队落地内部规范、完成数仓建模方面提供了极大的帮助。

云音乐数仓团队和网易有数产品也会更加紧密合作，把更多实践经验和建设指导，输出给模型设计中心，让模型设计中心帮助更多数据团队完成自身数据中台的搭建。如需了解更多关于模型设计中心的更多内容，欢迎在下方留言~

作者简介

珍兮，网易高级数据开发工程师，长期从事大数据开发、数仓体系建设和模型设计、数据规范、数据应用和服务等相关工作。目前主要负责网易云音乐数仓升级项目，依托网易有数及系列数据产品，协助云音乐优化数仓体系架构和数据模型、完善数仓规范、提升数据服务等工作。

今天的分享就到这里，谢谢大家。

在文末分享、点赞、在看，给个3连击呗~

社群推荐：
欢迎加入 DataFunTalk 数据仓库 交流群，跟同行零距离交流。 识别二维码，添加小助手微信， 入群。

关于我们：

DataFunTalk 专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100场线下沙龙、论坛及峰会，已邀请近600位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章300+，百万+阅读，9万+精准粉丝。

分享、点赞、在看，给个 3连击呗！

有8亿用户的网易云音乐是怎样建设数据中台的？

Thu, 23 Apr 2020 16:05:08 CST

这几年，“中台战略”概念像是一把火，“烧遍”国内互联网。而在业界，关于中台的实践并不多，尤其是数据中台。何为数据中台？数据中台建设面临着哪些挑战？它会带来哪些收获？…

带着这些疑惑，InfoQ 记者采访了 ArchSummit 全球架构师峰会讲师网易云音乐数据智能部数据开发专家朱一飞。作为国内知名音乐平台，网易云音乐有 8 亿用户。不过，它面临的挑战在于，一方面各个业务单元在 8 亿用户基数上积累海量的数据，另一方面，业务部门基于发展需要提出大量数据需求，并且在数据质量、数据共享、实时化方面的要求越来越高。为解决这些问题，网易云音乐搭建了自己的数据中台体系，且受益匪浅。

2012 年加入网易云音乐初创团队，朱一飞是一名“土生土长”的网易云音乐技术人。随着公司不断发展，他先后负责过搜索、音频识别后端架构。2016 年，朱一飞开始带领数据团队，经历了数据团队业务组建到平台建设，再到近一两年推进中台体系建设。

何为数据中台？

虽然当前关于中台的讨论已经很火热，但朱一飞认为 数据中台是以数据驱动业务创新为目标，具备灵活机动快速反应特征的技术与组织能力体系建设。这里面有三个基本元素：

目标。中台的最终目的是解决业务问题；
灵活快速。能不能快速解决业务诉求是衡量数据中台的重要标准。说到底，建设中台是为了用；
体系化。n 支游击队凑在一起成不了集团军，因而缺乏强大的战斗力。关于技术体系、组织架构，需要有完整、严谨和深入的思考。

数据中台建设的背景和诉求

据悉，网易云音乐的数据团队最初是一支业务开发团队，其大部分工作都在解决业务需求。后来，团队慢慢发现平台工具层面存在诸多瓶颈。因此，团队发起为期 2 年左右的平台化建设，基本搭建起底层的技术基础设施。

在朱一飞看来，随着网易云音乐的创新发展，尤其是产品矩阵建立后， 如何快速完整地满足业务对数据的诉求依然有很大的提升空间。

“除底层工具建设外，我们发现还需要 在平台与业务中间“铺设”一个中间层，确保团队能理解业务目标而不是躲在后台的技术领域自娱自乐。同时，我们还要快速跟上各产品发展方向的变化，并且努力将试错成本降到最低。因此，我们反过来又去思考平台体系还有哪些不完备的地方，组织架构还需要进行哪些调整。”他说。

而团队对于数据中台建设的诉求，主要分为两部分：

一是面向过去看要解决的问题，其中的核心是整个数据链路的标准化（包括方法论和工具两个层面，细化到链路的各个环节有不同的具体目标），以及如何去推动这套标准在所有相关业务团队的落地。

二是面向未来要为业务提供什么样的驱动力。团队要以什么样的形式提供数据服务，以及团队应该是什么样的组织模式，从而跟业务团队保持高效协同。

面临的挑战

据朱一飞介绍，团队面临的挑战是在业务需求响应与体系建设上如何取得更好的平衡。“解决单一问题总是相对简单的，相信很多兄弟团队都深有体会”。

他表示，“虽然目前网易云音乐的数据中台建设取得一定进展，但我们还是认为长期处在中台建设的’初级阶段‘。”

在整个数据中台建设中，他们需要不断做出权衡（trade off）：

主干问题优先，考虑 ROI，比如数仓标准化、埋点规范化、指标口径统一等问题如果在产品初期不落地，则积重难返，而且大大消耗团队的精力。所以，这类问题，他们一般会在新产品场景优先去落地。
业务核心项目优先。核心的业务项目（比如云音乐中的增长项目）其实是中台服务的触点，如果错过了，以后合作接入就困难重重。因此，这类项目，他们一定会想办法先推动落地，再去考虑后续优化，体系化改造。
现阶段，他们并不追求一套大而全的体系。

据悉，网易云音乐的业务场景，从横向看，有音乐、直播、K 歌等产品线，从纵向看，包括增长、营收、平台等业务职能线。虽然网易云音乐的业务线和团队众多，“但我们的中台体系实际上是在同一套规范和标准下逐步接入业务的，而非反过来面向业务去设计多种架构”。这中间存在一些需要适配的地方。总的来说，其目标是尽可能抽取更多的共性。

朱一飞坦承，“想实现这一点并不简单，网易云音乐本身产品交互层面相对其他产品的复杂性，独特的账号体系都对我们提出了挑战。”

另一方面，在数据与业务结合的中间层，即中台赋能业务的部分，团队的灵活性会高一些，比如针对市场的新增目标，或会员的营收目标。“我们会单独组建团队专门搭建针对性的业务数据服务及产品，提供一站式解决方案，类似于一支快速反应部队能随时快速解决战斗。”他说。

网易云音乐的数据中台架构

据朱一飞介绍，网易云音乐数据中台架构包含几个层：

最底层——基础设施层

基础设施层包括资源环境和平台工具两部分：资源环境是依赖网易杭州研究院提供的大数据集群、容器化环境、底层储备组件等。平台工具主要是自研的提供离线、实时、算法三大方面开发能力的一站式开发环境。

第二层是数据层

数据层即网易云音乐的 OneData，包括元数据中心、标准化数仓、数据地图、统一指标体系、数据安全中心和保障这套体系的数据质量管理中心。

第三层是服务层

服务层即网易云音乐的 OneService。它提供不同层级和粒度的数据 API，包括从最底层的任务执行调度能力，到最面向应用的人群圈定的各类服务能力。而服务中的公共部分，包括权限 & 稽核模块、RPC 框架、服务发现等都是依托网易云音乐技术中心的统一框架。

最上层是产品层

如前文所述，他们组建了一支快速反应部队，针对一个个核心业务问题（增长、营收、版权）搭建了对应数据产品，实现从业务流程、信息采集、数据洞察到 ROI 评估再到业务流程的完整闭环。能够实现快速反应，主要是因为依赖上游的统一数据服务以及产品对应的统一系统框架。

网易云音乐数据中台的具体实践

数据中台的整个实践过程，大致可分为三个阶段：

阶段一：“史前时代”

这个时期属于数据团队大干快上的阶段，他们主要的工作模式是 逢山开路，遇水搭桥，大量支持业务需求。同时，他们发布了数仓 1.0、用户画像和 DMP 系统、OLAP 分析平台，开发了大量报表。

在这期间，随着对业务的理解变得更深刻，同时网易云音乐快速发展积累的数据体量带来很多挑战，“我们做了相当多的基础设施改造，比如数据层面对埋点体系的梳理、平台层面搭建了底层计算能力（实时、算法）等”。

阶段二：数据中台 beta 阶段

2018 年底到 2019 年，为支持业务扩张，他们从目标、体系、组织结构对团队进行了梳理，确定了中台建设思路（这也契合同期网易云音乐整体技术、业务双中台战略）。

团队被重新划分为平台、数据、产品三条线，重点做了两件事：

整合升级。横向统一全域的数据，将之前的算法、广告、业务数据全部纳入进来。纵向，建立对整个 pipeline 的管理体系。
探索数据中台与业务的合作模式。“这个期间，我们也尝试多走一步，提供一站式的业务与数据结合的产品。核心是想获得中台在业务的落脚点，同时通过拿到一些业务结果让合作团队看到并认可数据中台的价值。”朱一飞说。

阶段三：数据中台 1.0

在这个阶段，主要有两个目标：

标准化。通过标准化，他们希望解决质量、效率和成本的问题。在标准化数仓重构、统一指标体系、统一 OLAP 分析平台、数据技术中台、数据资产管理等项目，大部分取得阶段性成果。
合作赋能。在前台业务赋能方面，他们一方面寻找更多中台接入的触点，另一方面也会尝试将部分成熟前台产品重新交到业务团队手里，防止战线过长，始终保持灵活机动的组织模式，更多通过赋能解决业务问题（扶上马，送一程）。

数据中台收益

朱一飞说："从结果看，首先，我们从单一解决数据的问题转变为解决’人‘的问题。"从业务视角看，他们不光只是报表数据的提供者，而是真正参与到业务决策，解决业务问题。他们在多个团队实现从业务流程、信息采集、数据洞察到 ROI 评估再到业务流程的完整闭环，包括增长团队、版权团队、音乐人团队、会员营收团队等。

其次，从体系的角度衡量，团队在效率和质量上得到大幅提高，“支撑起我们难以想象的工作量”。比如，他们的标准化数仓 +OLAP 解决的临时取数每周在几千次左右，让其支撑的取数 工作量减少 80% 以上。

此外，他们搭建的离线、计算、算法平台支撑的开发者占到网易云音乐团队的近 50%，真正降低了数据处理和使用门槛，并且因为实现了大部分的标准化，质量仍然有保证。

个人收获与思考

对朱一飞而言，他最大的收获是以往看一个平台或中台架构的视角是平面的，更多看到的是一个最终结果，即中台是什么的问题。在经历网易云音乐从 0 到 1 搭建体系的过程后，他的视角扩宽到体系平面垂直的时间维度。“ 我会更多思考整个中台为什么应该是这样的，架构中哪些层面更重要、需要优先解决，设计者应该将每个部分如何在时间线上串联起来等问题。”他说。

一个团队需要什么样的数据中台，甚至是否需要数据中台应结合自己的实际情况，不变的是数据驱动业务创新这个目标，方法和思路可以因团队而异。实际上，数据中台并非 silver bullet（银弹）。

如果让他重新开始，朱一飞称“很多选择可能并不会有变化。但有一定经验，会让我们避免一些坑，速度会快一些，比如我们的规范化埋点和流程做在前头，数仓的设计会更规范完整一些。”

嘉宾介绍：

朱一飞，网易云音乐数据智能部数据开发专家。2012年硕士毕业于浙江大学，同年加入网易云音乐，从2016年开始带领团队从0到1搭建了云音乐数据技术体系。近一年来结合业务创新发展的需要以及对中台建设的思考，实践了包括数据基础设施，标准化数仓，数据应用产品矩阵，团队组织模式在内的中台架构。

在 ArchSummit 全球架构师峰会（深圳站）现场，朱一飞老师将更加详细的介绍关于数据中台的一线实践与思考，希望给正在建设数据中台的一些公司提供可借鉴的经验。

网易云音乐下载接口加密破解思路及步骤（附 Python 源码）

Sun, 10 Feb 2019 00:00:00 CST

故事起因

很喜欢网易云音乐，甚至剁手开了年费会员，我这么爱它，所以就很想破解它，控制不住自己，然后就有了这篇文章。

初步探索

寻找目标 URL

我随便找到一首歌，然后打开开发者工具，清空记录，按照下图设置：

然后我点击网页的播放按钮，查看输出，等几秒之后，暂停播放，开始检查得到的 URL 及其响应结果，当我看到下图的 URL 时，已经可以确定这个就是我要找的目标 URL 了。

寻找目标 JS

和往常一样，我打开 URL 的参数检查，如下图所示。

可以看到此 URL 有一个 csrf_token 查询字符串，以及两个需要 POST 的数据：params 和 encSecKey。

由于平时经常写爬虫，所以我对 URL 的查询字符串异常敏感，我尝试去掉 csrf_token 重新 POST，如图：

发现得到的结果和之前一样，故得出结论 csrf_token 这个东西没有用，我接着看两个 POST 的数据，按照以往的经验，这么长这么重要而且还是 POST，一定是经过 JS 加密的，所以我要找到那个目标 JS，但是假如盲目的寻找肯定找上几个小时也不得行，所以我选择“投机取巧”，直接搜索表单的 key，搜索 params 得到了很多结果，所以我搜索的是 encSecKey，如图：

那么现在，我的目标 JS 也找到了

初步分析 JS

我打开 JS ，搜索 encSecKey，跳到图中位置：

显然，我需要的两个参数都和 bUK5P 有关，所以我需要知道 bUK5P 是如何计算得到的，那么所有问题就都解决了，所以我在图六画圈的位置打了一个断点进行调试。

详细的调试技巧各位朋友如果不熟悉请自行谷歌，毕竟我最讨厌那些以干货自居的科普文了。

刷新网页，进入调试界面，点击恢复或者摁下 F8 ，然后一直点跨越或者步进或者摁 F10/F11，直到当前代码运行位置到达断点之后的语句，如图：

然后我进入 console 开始进一步检查，我依次向 console 发送图中的消息，得到的结果如图：

初步总结

根据以往的经验以及以上的初步分析，我得到以下结论，朋友们也可以认真思索一下：

encSecKey = bUK5P.encSecKey，params = bUK5P.encText

bUK5P 是由函数 window.asrsea 计算得到的

e5j 是获取歌曲 URL 的详细方式

函数 window.asrsea 需要传入四个参数，具体四个参数的分析下面会接触到

最关键的是 function d() 就是函数 window.asrsea

得到以上结论之后，我开始进行更加深入地探索

深入探索

分析参数

点击 console 的 function d()进入 d 在 JS 中的位置：

简单浏览函数可以看到：函数 d 调用了 a，b，c 三个函数，a，b，c 的内容如图：

简单阅读代码可以知道：

函数 a 是产生随机的16为字符串

函数 b 是 AES 对称加密过程

函数 c 是 RSA 非对称加密过程

看到这里，我的心里关于网易处理歌曲加载请求的流程已经有了一个大概，卖个关子，继续往下看。

为了详细的探索这四个函数首先我要知道函数 d 的四个参数都是什么，我依旧在图七中的位置打上断点：

第一次经过断点，各个变量的值如图：
第二次经过断点，各个变量值如图：

我得到结论： 传入函数 d 的四个参数都是常量

分析函数

知道了参数是什么，我开始分析四个函数，我在图示的位置打上断点，至于为什么这么打，请朋友你自行思索：

然后开始调试，经过三个断点，h 的变化情况及各参数的值如图：

好的，调试到这里，我觉得我已经彻底搞清楚这四个函数了，下面我想结合 JS 代码分析一下：

// 函数 a 产生随机 a 位字符串      
functiona(a){      
vard,      
e,      
b ='abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789',      
c ='';      
for(d =0; a > d; d +=1) e =Math.random() * b.length,      
e =Math.floor(e),      
c += b.charAt(e);      
returnc      
}      
// 函数 b 为 AES 对称加密过程，返回值为加密结果字符串，      
// 参数 a：待加密内容，分别为"{\"ids\":\"[32835565]\",\"br\":128000,\"csrf_token\":\"\"}"和 h.encText；      
// 参数 b：密钥，长度 16*2=32 bytes，分别为brA7t(['爱心','女孩','惊恐','大笑'])和 i；      
functionb(a, b){      
varc = CryptoJS.enc.Utf8.parse(b),      
d = CryptoJS.enc.Utf8.parse('0102030405060708'),      
e = CryptoJS.enc.Utf8.parse(a),      
// c 是key，也就是密钥，长度为32*4=128 bits，所以可知函数 b 加密方式为 AES-128；      
// d 是iv，也就是初始向量；e 是待加密的内容；      
// f 是加密结果；mode 是加密模式为 CBC      
f = CryptoJS.AES.encrypt(e, c, {      
iv: d,      
mode: CryptoJS.mode.CBC      
});      
returnf.toString()      
}      
// 函数 c 为 RSA 非对称加密过程      
// 参数 a：16位随机字符串 为 i；      
// 参数 b：6位2进制数字 为brA7t(['流泪','强'])；      
// 参数 c：很长的一串，为brA7t(WU9L.md)      
functionc(a, b, c){      
vard,      
e;      
returnsetMaxDigits(131),      
// c 作为公钥 public_key      
// b 是指数      
d =newRSAKeyPair(b,'', c),      
// a 是待加密的字符串      
e = encryptedString(d, a)      
}      
// 函数 d 得到 h 结果，即 bUK5P 的结果      
// 对照图五及图七可以知道函数 d 的每一个参数都是什么，因为每个参数都是固定的      
functiond(d, e, f, g){      
varh = {      
},      
// 调用函数 a 得到参数 i      
// i 的结果为一个16位的随机字符串      
i = a(16);      
      
// 下面的代码为：两次调用函数 b 得到 encText，一次调用函数 c 得到 encSecKey，最后返回结果 h      
returnh.encText = b(d, g),      
// 第一次调用 b      
h.encText = b(h.encText, i),      
// 第二次调用 b      
h.encSecKey = c(i, e, f),      
// 调用 c      
h      
}

深入总结

调试了这么久，我就通过猜测网易云音乐处理加载音乐请求的过程来总结一下我得到的所有结论吧：

处理过程

传输的内容经过 AES 和 RSA 两次加密，每次请求随机产生 16 位随机字符串。

首先对歌曲ID等等信息进行两次 AES-128 加密作为 params

第一次常量加密

第二次随机产生 16 位字符串加密

然后对 16 位密钥进行 RSA 加密作为 encSecKey

最后将 encSecKey、params等等传送给服务端

服务端 RSA 解密 encSecKey 得到 16位密钥，再通过密钥解密 params 得到请求信息

服务端返回结果

终极结论

首先随机产生的 16 位密钥是随机的，也是网易控制不了的，所以我相信认真阅读的朋友应该也已经恍然大悟了。

我可以一直使用相同的 16 位字符串，那么 encSecKey 也就成了常量，然后我只需要写一个进行 AES加密的函数就可以了。

Python 实现

加密模块实现

首先我规定密钥为：

1	ryPnuAVT5RtiIWNi

encSecKey为：

a71973af53caae445b554150da52e75ba5687609d28013aacea03e9ef07169560f156ca76be9ac8df7bb204e05b864756aa3dd2274a65d5be964f118f6d075006695059e10cdcc806306e9a5f2f36f5bf0379f511cd13a600a6cc7031c814583863ea84d3373dea69f74354cd2dc3af61d58eeb43b1de06f588ef361ebc1eed6

然后 Python 实现的 AES-128 加密函数为：

fromCrypto.CipherimportAES      
importbase64      
importjson      
key1 =b'0CoJUm6Qyw8W8jud'      
key2 =b'ryPnuAVT5RtiIWNi'      
content = {"ids":"[32835565]","br":128000,"csrf_token":""}      
encSecKey ='a71973af53caae445b554150da52e75ba5687609d28013aacea03e9ef07169560f156ca76be9ac8df7bb204e05b864756aa3dd2274a65d5be964f118f6d075006695059e10cdcc806306e9a5f2f36f5bf0379f511cd13a600a6cc7031c814583863ea84d3373dea69f74354cd2dc3af61d58eeb43b1de06f588ef361ebc1eed6'      
bs =16# block size      
# 填充方式为：PKCS5      
pad =lambdas: s + (bs - len(s) % bs) * chr(bs - len(s) % bs)      
encrypt_token =lambdakey, content: AES.new(key=key, mode=AES.MODE_CBC, IV=b'0102030405060708').encrypt(pad(content).encode())      
if__name__ =='__main__':      
str_content = json.dumps(content)      
tmp = base64.b64encode(encrypt_token(key1, str_content)).decode()      
params = base64.b64encode(encrypt_token(key2, tmp)).decode()      
print(params)

计算得到的 params 为：

1	9c3ailRGd3aMtbgRQFsMT6ezDBrVvgP9ENnHgTloTgDKutNCCUxwU8qugl7OFqOY6QumjhXlhqTEV4fp4DeoiMoiMSLZFj0t8pbq7rV8Xt/i/ulXVGvKTaN10KfF8QVs

接下来使用火狐插件 RESTClient 自行 POST 数据进行验证，如图：

简易接口实现

不多说什么，上完整代码，此代码扩展性很强，记得给我点赞哦~

fromCrypto.CipherimportAES      
importbase64      
importjson      
importrequests      
      
# 常量      
headers = {      
'User-Agent':      
'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:65.0) Gecko/20100101 Firefox/65.0',      
'Referer':      
'https://music.163.com/',      
'Content-Type':      
'application/x-www-form-urlencoded',      
}      
post_url ='https://music.163.com/weapi/song/enhance/player/url'      
content = {"ids":"","br":128000,"csrf_token":""}      
key1 =b'0CoJUm6Qyw8W8jud'      
key2 =b'ryPnuAVT5RtiIWNi'      
encSecKey ='a71973af53caae445b554150da52e75ba5687609d28013aacea03e9ef07169560f156ca76be9ac8df7bb204e05b864756aa3dd2274a65d5be964f118f6d075006695059e10cdcc806306e9a5f2f36f5bf0379f511cd13a600a6cc7031c814583863ea84d3373dea69f74354cd2dc3af61d58eeb43b1de06f588ef361ebc1eed6'      
      
# 加密      
pad =lambdas: s + (16- len(s) %16) * chr(16- len(s) %16)      
encrypt_token =lambdakey, content: AES.new(key=key, mode=AES.MODE_CBC, IV=b'0102030405060708').encrypt(pad(content).encode())      
      
      
# 接口      
defmusic_interface(song_id):      
content["ids"] ="[{}]".format(song_id)      
str_content = json.dumps(content)      
tmp = base64.b64encode(encrypt_token(key1, str_content)).decode()      
params = base64.b64encode(encrypt_token(key2, tmp)).decode()      
post_data = {      
'params': params,      
'encSecKey': encSecKey,      
}      
resp = requests.post(url=post_url, headers=headers, data=post_data)      
js = json.loads(resp.content)      
song_url = js['data'][0]['url']      
returnsong_url      
      
      
if__name__ =='__main__':      
song_url = music_interface('32835565')      
print(song_url)

后话

最后，我想说一下我的感想。

各位朋友在看到本文之前可能会疑问为什么网易云音乐网页版无法听无损音质的歌，看完之后各位应该了解了，其实这也是网易为了版权保护而采取的下策。

我想，假如非要破解网易云的无损音质下载，那么可能需要逆向网易云音乐的 APK/EXE 构造请求，或者对软件本身进行 Hook 才可以做到吧，等以后有机会有能力我一定会填上这个坑。

生活愉快~

有没有可以随意使用的无版权音乐资源库？

Sat, 29 Sep 2018 00:00:00 CST

五大免版权音乐网站！https://www.zhihu.com/video/1028592583492120576

不管是剪辑视频还是音频制作，我们都对音乐有大量的需求，那么在哪里能找到免费、高质量又合法的版权音乐呢？以下，就是我们所推荐的一些（部分网站的版权有详细说明，并非完全免）：

NO.1 FreePD

一个汇集了互联网海量免版税的公共领域音乐资源网站，提供了许多不同类型的音乐资源，你可以下载任意一首音乐，

更可以以14美元的价格一键下载全部内容。

NO.2 Jamendo

Jamendo上的所有音乐都是由独立艺术家创作的，个人使用都免费。但用于视频制作或其他商业用途需要遵守该网站的相关条例

NO.3 musopen

该网站主要提供古典音乐资源,包括吉他、大提琴、小提琴等等，所有音乐均可免费下载，值的一提的是该网站还提供大量的乐谱、教材、录音，这些资源也可以免费使用。

NO.4 Imslp

全球最大的免费公共版权音乐网站，网站中的乐谱、音乐都是可以免费下载的，由于该网站涉及的国家很多，在使用的时候需要注意自己国家中的版权条例。

NO.5 AudioNautix

一个免费音乐收集平台，该网站的音乐里可以用于任何地方，但是必须标注该音乐由 Audionautix 网站提供。

最后，如果你有梯子，在 YouTube 的创作者区域，也有大量免版权的内容，有的可以直接使用，有的只需要你注明音乐的来源即可。欢迎在 Topbook 微信后台回复“ 音乐资源”获取以上提到的所有网站链接。

更多资源技能戳这里： topbook.cc

收藏也要点赞，可不敢白嫖！

Copyright.

吐血出品，未经许可不得转载、洗稿、盗用。

利用WireShark对听音乐的过程中传送的数据包进行分析

Wed, 17 Jan 2018 13:00:38 CST

相信现在的每一个人都在网络上听过音乐，那么，在我们听音乐的过程中，究竟发生了什么呢？下面我就利用 WireShark 给大家分析一下。

第一步。打开wireshark，选择本地连接进行监听。之后，打开一个音乐软件，随便点击一首歌曲，然后播放这首歌曲。

第二步。等待音乐播放了十几秒之后，停止wireshark的监听，现在wireshark已经监听到许多的数据包了，如下图

现在我们只要过滤出因为听音乐而发送和接受的数据包，之后就可以进行数据包的分析了。

那么到底该如何进行数据包的过滤呢？

因为我们在听歌曲时，会加载相应的歌手的图片或者专辑的图片，所以一定会向服务器发送http请求，所以，我们首先使用的过滤规则为“http”，过滤之后，如下：

很明显，数据包少了许多，图中我划第一条黄线的数据包应该就是我们向服务器请求需要加载的图片时发送的数据包，然后，第二条划黄线的数据包的详细信息如下图

很明显，这个http请求所请求的资源是mp3文件，这个文件很有可能是我们正在播放的音乐的资源的url，我们打开浏览器，访问这个url，如下图

果然是我们正在听的音乐。

从这里，我们可以想到，对于那些只能听，而下载的时候要钱的音乐，我们是否可以以上述同样的方式进行操作，来获得免费的下载呢？大家可以自己实践试一试。

下来我们继续分析数据包。

由上面我们进行的分析可以得到向我们发送音乐的服务器的ip地址，以这个ip地址作为过滤的手段，进行新一轮的过滤，如下图

过滤之后，我们可以看到，在我们发送了编号为67的get请求之后，服务器返回给我们一个tcp数据包，之后，服务器给我们发送了许多显示为“TCP segment of a reassembled PDU”的tcp数据包，那么这种类型的数据包代表什么意思呢？

这一篇博客文章给出了很好的解释： http://blog.csdn.net/hldjf/article/details/7450565

其实，这种类型的数据包就是当服务器要给我们传送的数据太大了的时候，服务器会选择传送许多数据包来进行数据的传送，对wireshark来说这些对相应同一个查询命令的数据包被标记了“TCP segment of a reassembled PDU”。

当服务器发送完所有的数据包之后，会发送一个http报文，告诉我们数据传送完毕，之后发生4次挥手，我们与服务器断开连接。如下图

最后，我们来理一理整个听音乐时的数据包发送与接收的过程：

1.我们向服务器请求我们要听的歌曲的资源

2.服务器返回给我们资源，不过，因为一首歌的大小太大，所以服务器选择通过传送许多个数据包来返回给我们歌曲资源。

3.当服务器发送完毕之后，发送http报文，告诉我们数据包都已经发送完了，我们此时与服务器开始4次挥手，断开与服务器的连接。

*本文作者：wujiaming123，转载请注明来自FreeBuf.COM

如果将豆瓣红心歌曲导入到网易云音乐 - 简书

Sun, 24 Dec 2017 20:49:37 CST

1.安装电影癖Chrome插件，打开 Chrome应用，看到如下图，点击添加到Chrome

(或者直接从QQ浏览器应用中心下载 https://pcbrowser.dd.qq.com/pcbrowserbig/qbextension/update/20170614/hlgccmnnpnfolapjokflglinbpobldgp.crx

插件可以直接兼容360浏览器，360极速浏览器和QQ浏览器。如果是要用在谷歌浏览器的话，需要在扩展页面点击开发者模式 )

如果 Chrome应用 链接打不开，那是由于不可描述的原因导致谷歌无法访问，这个时候你需要饭墙了。

打开 getlantern/lantern 地址，下载安装

安装完之后，打开蓝灯，就可以访问谷歌浏览器应用商店了，进行电影癖 应用的安装

2.安装完之后，打开豆瓣红心歌曲列表

3.点击导出红心歌曲

这个时候会提示你保存两个文件，一个叫做豆瓣红心歌单.kwl,一个叫做豆瓣红心歌曲备份下载地址.txt，选择好路径保存

4.打开豆瓣红心歌单.kwl文件，这里推荐用Notepad++

选择编码 -> 转为ASCII编码格式，保存。（这一步非常重要，如果没有转成ASCII编码格式的话，中文的歌曲就导入不了了）

我们顺便看下豆瓣红心歌曲备份下载地址.txt 里面的内容

这里面是你的红心歌曲和 MP3下载地址

5.导入到网易云音乐

点击个人头像，然后点击导入歌单，选择酷我音乐

上传刚才下载的豆瓣红心歌曲.kwl 文件

导入成功，看下歌单

我的豆瓣红心歌单是134首，导入成功之后，是114首，我看了下没有成功的，是歌曲名和歌手匹配不到的。没有匹配到的，可以通过豆瓣红心歌曲备份下载地址.txt 进行下载

其他：

这个插件取名为电影癖，是计划做些和电影相关的内容，目前暂时做了热门电影的周边推荐，利益相关，不喜勿点

以上

久石让在武道馆：与宫崎骏动画一同走过的25年-音乐-高清MV在线观看–爱奇艺

Tue, 20 Jun 2017 08:43:14 CST

久石让在武道馆：与宫崎骏动画一同走过的25年-音乐-高清MV在线观看–爱奇艺

http://m.iqiyi.com/v_19rrhb1wv0.html?social_platform=link&p1=2_22_221

[转]采用深度学习算法为Spotify做基于内容的音乐推荐

Sun, 11 Jun 2017 23:30:34 CST

http://www.csdn.net/article/2015-02-10/2823907

摘要：本文概述了作者在Spotify的机器学习实践经验，解释了使用卷积神经网络(CNN)做基于音频的音乐推荐的方法，并提出了有关该卷积网络的实际学习效果的心得。采用了GTX 780Ti GPU，Theano软件框架，小批量梯度下降法。

【编者按】本文是比利时根特大学（Ghent University）的Reservoir Lab实验室博士研究生Sander Dieleman所撰写的博客文章，他的研究方向是音乐音频信号分类和推荐的层次表征学习，专攻深度学习和特征学习。以下为译文：

2014年夏天，我在网络音乐平台Spotify （纽约）实习，致力于使用卷积神经网络（convolutional neural networks）做基于内容的音乐推荐。本文将介绍我使用的方法，并展示一些初步的结果。

概述

这篇文章很长，所以先对各节的内容做一个概述：

协同过滤（Collaborative filtering）一个简单的介绍，包括它的优缺点。
基于内容的推荐（Content-based recommendation）在不能得到使用数据时，该怎么办。
深度学习预测听众喜好（Predicting listening preferences with deep learning）基于音频信号的音乐推荐。
效率提升（Scaling up）有关我在Spotify训练卷积神经网络的一些细节。
分析（Analysis）：它在学习什么? 卷积神经网络音乐学习一瞥，包含多个音频示例。
可以应用在哪里（What will this be used for）？我的工作成果的一些应用潜力。
今后的工作（Future work）
结论（Conclusion）

协同过滤

网络音乐平台Spotify传统上主要依靠协同过滤驱动音乐推荐。协同过滤的原理是根据历史使用数据确定用户的喜好。例如，如果两个用户收听大致相同类型的歌曲，他们的喜好大概就是类似的。反过来，如果两支歌曲由同一组用户所收听，这些歌曲听起来很可能是相似的。这种信息可以被用来做推荐。

纯粹的协同过滤方法，除了相关的消费模式信息以外，不涉及被推荐物品本身的任何信息：也就是它是内容无关的(content-agnostic)。这个特点使得这种方法可以有非常广泛的应用：例如，同样的一个模型就可以用于推荐书籍、电影或者音乐。

不幸的是，这个特点也导致了它最大的不足。由于依据使用数据，流行物品就会比非流行物品更容易得到推荐，因为前者有更多的使用数据。而这通常是刚好与我们所希望的相反。由于同样的原因，这样的推荐常常是很无聊的，而且是可预知的。

特定到音乐还有另一个问题，就是相似使用模式的内容异质性（heterogeneity of content with similar usage patterns）。例如，听众可能一次听过了整张专辑，而专辑中可能包含引曲、终曲、插曲、翻唱曲和混音曲等。它们也许不都是该艺术家典型的作品，因此不是一些好的推荐。可是协同过滤算法不能解决这个问题。

而它最大的问题，可能还在于不能推荐新的和非流行的歌曲：如果没有可供分析的使用数据，协同过滤方法就会失效。这就是所谓的冷启动问题。我们希望新音乐能够在发行后的第一时间获得推荐，而且我们也希望能向听众介绍那些他们从来没有听过的很棒的乐队。为了实现这些目标，我们就需要有不同的方法。

基于内容的推荐

Spotify根据几个月之前从智能音乐平台 The Echo Nest 得到的反馈信息，最近已经开始考虑在推荐管道中结合其它信息源，以减少这些问题。可以帮助音乐推荐的信息有很多种：比如标签，艺术家和专辑信息，歌词，从互联网上挖掘到的文稿（评论、访谈…），以及音频信号本身。

在这些信息源中，音频信号可能是最难有效利用的。一方面由于音乐音频信号之间的语义差别（semantic gap）很大，另一方面影响听众喜好的因素又多种多样。有的信息可以比较容易地从音频信号中提取出来，比如音乐的类型和演奏的乐器；而其他的就比较有挑战性了，比如音乐的情绪，和发行的年份（或者时期）；还有一些实际上是不可能从音频中得到的：就像艺术家所在的地理位置和抒情的主题。

尽管存在这些挑战，但是很明显地，歌曲的实际声音极大地影响到听众是否愿意收听。于是通过分析音频信号，预测谁可能欣赏这支歌曲，看起来像个不错的主意。

深度学习预测听众喜好

去年十二月，我和同事Aäron van den Oord 在NIPS上发表了一篇关于这个主题的论文，题目是‘ Deep content-based music recommendation’（基于内容的深度音乐推荐）。我们试图这样解决问题：通过训练回归模型（regression model），预测从协同过滤模型输出歌曲的隐藏表征（latent representations），实现依靠音频信号预测收听喜好。这个方法可以使我们在即使没有使用数据的情况下，也能够在协同过滤空间中预测歌曲表征。（正如可以从论文的题目中推测出来的那样，涉及的回归模型是一个深度神经网络）。

这种方法的基本思想是假定许多协同过滤模型都是把听众和歌曲投射到一个共享的低维度隐空间（latent space）中。在这个空间中歌曲的位置包含了影响听众喜好的各种编码信息。假如有两首歌曲在空间上临近，它们很可能是相似的。如果一首歌曲距离一个听众很近，这首歌对他可能就是一个好推荐（如果他还没有听过这首歌）。如果可以通过音频信号预测一首歌曲在这个空间中的位置，那就能够把它推荐给合适的听众，而并不需要历史使用数据。

论文中我们做了可视化效果，即通过投射隐空间中模型的预测结果到使用 t-SNE 算法降低的二维空间。从如下的结果图中可以看出，相似的歌曲群集到了一起。说唱乐主要出现在左上角，而电声艺术家聚集在图的底部。

t-SNE算法的隐空间可视化（中部）。几个特写图展现了歌曲投射在特定区域的艺术家。摘自 Deep content-based music recommendation, Aäron van den Oord, Sander Dieleman and Benjamin Schrauwen, NIPS 2013.

效率提升

在我们论文中训练的深度神经网络由两个卷积层和两个完全连接层组成。输入是3秒钟音频片断的声谱。对于更长音频片断的预测，只需要把它分成几个3秒钟长的窗口，然后把这些窗口的预测值作平均。

我在Spotify接触了大量歌曲的数据源，以及从不同的协同过滤模型产生的隐藏因素表征（latent factor representations）。我还配备了一台高级的GPU，用于实验运算。它们相当地提升了效率。现在我正在训练总数达7层或8层的卷积神经网络（convnets），使用了大得多的中间表征和更多的参数。

架构

下面详细介绍的，是我已经实验过的诸多架构中的一个。它有四个卷积层和三个稠密层（dense layers）。你将看到为了音频信号设计的卷积神经网络，与用于计算机视觉网络任务的传统神经网络，有一些重要的不同。

警告：下面有可怕的细节！如果你不太关心诸如ReLUs，最大值池化（max-pooling）和小批量梯度下降法（minibatch gradient descent）等细节，尽管直接跳到“分析”段落。

我试验过的用于隐藏因素预测的一种卷积神经网络架构。纵轴是时间轴（在其上卷积）。

网络输入是一系列梅尔声谱（mel-spectrograms），它们有599帧（frames）和128 个频点（frequency bins）。梅尔声谱是一种时间-频率表证（time-frequency representation）。是从音频信号的窄重叠窗口傅立叶变换（Fourier transforms）得到的。每一个傅立叶变换构成一帧。然后将这些连续的帧排列成一个矩阵，就形成了这个声谱。最后将频率轴由线性刻度变成梅尔刻度（mel scale）以降低维数，并且采用对数刻度值。

卷积层用红色矩形显示，表现了过滤器滑过输入时的情形。它们使用了线性修正单位（ReLUs, 使用的激活函数是max(0, x)）。请注意所有这些卷积都是一维的；卷积仅仅在时间维度出现，而不在频率维度。虽然技术上可以沿着声谱图的两个坐标轴都进行卷积，但现在我并没有这样做。要意识到与图像不一样，声谱图两个轴的意义是不同的（时间和频率），这个非常重要。结果就是，在图像数据中典型的方形过滤器，在这里是没有意义的。

在卷积层之间用最大值池化运算（max-pooling operations）降低时域中间表征采样率，同时增大过程的时不变性。这些操作用“MP”表示。可以看出在每个卷积层中使用了尺寸为4帧的过滤器，在第一与第二卷积层之间是池尺寸为4的最大池化（主要是出于性能方面的考虑），而在其他层之间是池尺寸为2的最大池化。

在最后卷积层的后面，我增加了一个全局时域池化层（global temporal pooling layer）。这一层覆盖整个时间轴，有效地计算时域学习特征的统计值。我引入了三个不同的池化功能：平均值（mean），最大值（maximum）和L2范数（L2-norm）。

我这样做的原因是由于从音频信号中检测到的绝对位置特征，与手头任务的要求不是特别地相关。这里的情况与图像分类不同：在图像分类中，知道一个特征的大概位置就可以了。例如，检测出云朵特征很可能激活图像的上半部分。如果激活在下半部分，可能检测到羊了。在音乐推荐场合，我们通常只对音乐中某些特征整体上是出现还是缺乏感兴趣，所以在时间上做池化是在情理之中的。

另外一种处理方法可以是用短音频片段训练网络，通过平均这些窗口的输出得到较长片段的数据，就像我们在NIPS论文中做的那样。不过在模型中引用池化似乎更好一些，因为在学习阶段就可以开始使用这种处理步骤。

2048个线性修正单位的全局池化特征输入到了一串完全连结层（fully-connected layers）。在本网络中这一串只有两个。该网络的最后一层是输出层（output layer），它选用Spotify用过的各种协同过滤算法中的 vector_exp 算法，预测40个隐藏因素。

训练

训练网络减少协同过滤模型输出的隐藏因素向量与音频预测之间的均方差(MSE)。这些向量首先要按照单位规范（unit norm）标准作规范化。这样做是为了降低歌曲人气的影响（许多协同过滤模型的隐藏因素向量范数往往与歌曲的人气相关）。在稠密层中采用丢弃法（Dropout）作为正规化方法。

我现在使用的数据集是从Spotify保存的一百万条最流行曲目中截取的30秒长的梅尔声谱。我使用了大约一半曲目用做训练（0.5M），大约5000条做在线验证，其余的用做测试。在训练的时候，通过沿着时间轴做随机的偏移，稍稍调整了声谱，扩展了数据。

实现的网络采用了英伟达（NVIDIA ）GeForce GTX 780Ti GPU硬件， Theano软件框架。使用了小批量梯度下降法，和涅斯捷罗夫冲量因子（Nesterov momentum）。用一个单独的进程进行数据加载和调整，所以当GPU用于大块数据训练时，下一批数据可以并行地加载进来。总共执行了大约750000个梯度更新。我已经记不清训练这个特殊架构的准确时间了，但我记得总的试验时间在18到36小时之间。

变化（Variation）

正像我在前面讲到的，这只是我试验过的架构中的一个例子。我已经试过，或将要试验的还有：

更多层级！
使用最大输出单位（maxout unit）而不是线性修正单位（rectified linear unit）。
使用随机池化（stochastic pooling）而不是最大池化（max-pooling）。
在网络的输出层引入L2规范化。
在时域上拉伸或压缩声谱扩展数据。
多重级联各种协同过滤模型输出的隐藏因素向量。

这里是几点工作效果不如预期的地方：

用全局时域池化从每个卷积层到网络完全连结层增加的‘旁路’（‘bypass’）连接。基础假设是低级特征的统计结果也对推荐有用，很不幸的是它对训练产生了太多的限制。
像混合密度网络（mixture density networks）一样预测因素的条件方差，得到预测的置信估计，而在隐藏因素预测困难的时候用于识别歌曲。很不幸的是似乎它使训练变得异常困难，而且置信估计也表现得与预期的不同。

分析：它在学习什么？

现在到了有点酷的部分：这些网络究竟在学习什么？特征看起来是怎样的？我选择卷积网络解决这个问题的主要原因，是认为根据音频信号的音乐推荐，是一个连接多层次抽象的复杂问题。我希望连续的网络层能像在图像分类问题中那样，渐进地学会更复杂和更多的不变特征。

实际情况看起来确实如此。首先让我们看一看第一个卷积层，它学习直接应用于输入声谱的一组过滤器。这些过滤器是容易可视化的。它们显示在下列图像中。点击就能看到高分辨率版本（5584x562, ~600kB）。负值是红色，正值是蓝色而白色是零值。注意每个过滤器宽度仅仅是四帧。深红色的垂直线将各个过滤器分隔开来。

第一卷积层学习过滤器的可视化。时间轴是横轴，频率轴是竖轴（频率从顶部到底部是增加的）。点击就能看到高分辨率版本（5584x562, ~600kB）。

从这个表示中可以看出，许多过滤器探测出了谐波成分，这体现在不同频率处并行的红蓝条带上。有时候这些条带是向上或向下倾斜的，表示出现了音高的升高或降低。它证明这些过滤器有助于检测人声。

低级特征播放表：最大激活

为了对过滤器学习的是什么有更好的理解，我准备了一些最大激活的测试歌曲集播放表。下面是几个例子。网络的第一层有256个过滤器，它们被从0到255编号。注意这个编号是任意的，因为过滤器没有排序。

通过查找在分析的30秒内对给定过滤器最大激活的歌曲，得到了这四个播放列表。我从第一卷积层中选择了几个看起来有趣的过滤器，计算了每个特征表现，然后从整个测试集中查找最大激活。请注意如果要了解过滤器正在接收的内容，应该听取曲目的中段，因为这部分音频信号才是被分析的部分。

下面每个Spotify播放表都有10个曲目。由于版权的问题有些曲目在有的国家收听不到。

过滤器 14：颤音歌唱过滤器 242: 环境气氛（ambience）

过滤器 250：人声大三度（vocal thirds）过滤器 253: 低音鼓

过滤器14，242， 250 和 253的特写图。

过滤器 14 似乎探测出颤音歌声（vibrato singing）。
过滤器 242探测出某种响铃氛围（ringing ambience）。
过滤器 250 探测出人声大三度（ vocal thirds），即多个歌唱者同唱一首歌，但音符相隔大三度（四个半音）。
过滤器 253 探测出各种类型的低音鼓音。

这些播放表中曲目的流派是很不同的，这表示它们主要是从音频信号的低级特性中检测出这些特征的。

低级特征播放表：平均激活

下面四个播放表是用稍微不同的方式获得的：首先对每个曲目计算时域特征的激活平均，然后找出它们中的最大值。这意味着在这些播放表中，涉及的过滤器在分析的30秒钟内一直有效（也就是，它不会只是一个‘峰值’）。这对于检测和声模式更加有用。

过滤器 1：噪音，失真过滤器 2：音高（A， Bb）

过滤器 4：嗡嗡声过滤器 28：和声（A, Am）

过滤器1，2，4和28的特写图。

过滤器1 检测噪音和（吉他）失真音。
过滤器2好像检测到一个特殊音高：一个低音Bb。它有时也检测出A声（低半音），因为梅尔声谱的频率分辨率还没有高到足以区分这两个音。
过滤器 4 检测各种低音嗡嗡声（drones）。
过滤器 28 检测A和弦。看起来它既检测小音阶也检测大音阶版本，所以它可能只检测音高A和E（五度音程）。

我觉得很有趣的是，该网络学会了检测特别的音高和和声。我以前还以为歌曲中准确的音高和和声的出现，不会影响听众的喜爱程度。至于为什么会这样我有两点推测：

用不同的谐音训练了各种过滤器以后，这个网络其实仅仅学习了检测调和性（harmonicity）。然后在更高层级上它们被池化到一起，以检测各种音高的调和性。
网络学会了在某些流派的音乐中，某个和弦以及和弦进行（chord progressions）比其他和弦更加常用。

我还没有验证上述两点中的任何一点，但看起来后者对于网络有更大的挑战，因此我认为前者的可能性更大。

高级特征播放表

网络的每一层都从下一层取得特征表现，然后从中提取一组高级特征。在网络最上面的完全连接层，即最靠近输出层的前面一层，学习过的过滤器对某些副主题是非常有选择性的。显而易见，在声谱级可视化这些过滤器的检测结果不是一件简单的事情。下面是六个测试集歌曲的播放表，这些歌曲最大激活了其中的几个高级过滤器。

过滤器 3：基督教摇滚（christian rock）过滤器 15：合唱/无伴奏合唱+时尚爵士

过滤器 26：福音歌过滤器 37：华语流行

过滤器 49：合成电子乐，8比特过滤器 1024：deep house音乐

很明显，其中每个过滤器都识别一种特定的类型。有趣的是有些过滤器，比如第15号，似乎是多模式的（multimodal)：它强烈地被两种或更多种风格的音乐激活，而那些音乐经常是完全不相关的。大概这些过滤器在结合了所有其它过滤器的激活以后，消除了输出歧义。

过滤器37很有趣，因为它似乎可以识别中文语言。这不是完全不可能的，因为中文的语音库与其他语言相比是很独特的。有其他几个过滤器似乎学习了特定的语言：比如有一个能检测出西班牙语的rap音乐。也有可能性是华语流行音乐存在其它可区分的特性，而那个模型就是检测到了此特性。

我花了一些时间对开始的约50个过滤器作了详细的分析。我想出的其他几个过滤器种类还有：酒廊音乐，雷鬼乐（reggae），暗潮（darkwave），乡村音乐，金属核（metalcore），莎莎舞乐（salsa），荷兰和德国的狂欢节音乐，儿童歌曲，人声电音（vocal trance），朋克（punk），土耳其流行乐，还有我最喜爱的 ‘exclusively Armin van Buuren’。很明显由于他有那么多的曲目，所以他才有了自己的过滤器。

经过 Alex Krizhevsky ImageNet网络学习的过滤器，已经被重复用在各种计算机视觉任务中，并获得了极大的成功。基于这些过滤器的多样性和不变性特性（invariance properties），这些学习音频信号的过滤器，除了能预测隐藏因素之外，也可以用于其他音乐信息检索任务。

基于相似度的播放列表

预测的隐因素向量也可以用来查找听起来相似的歌曲。下面是这样产生的几个播放表：首先预测给定歌曲的因素向量，然后从测试集中查找出这样的歌曲，其预测因素向量的余弦距离，靠近给定的歌曲。这样播放列表中的第一个曲目永远是查询曲目本身。

The Notorious B.I.G. – Juicy Cloudkicker - He would be riding on

（嘻哈舞曲） the subway…后现代摇滚，前卫金属）

Architects - Numbers Count For Nothing Neophyte - Army of Hardcore

（金属核，硬核）（硬式电子音乐, 盖巴舞曲）

Fleet Foxes - Sun It Rises（独立民谣） John Coltrane - My Favorite Things（爵士乐）

绝大多数相似的曲目都是很合适向查询该曲目的歌迷推荐的。当然这些列表并不是很完美的，但是考虑到仅仅依靠音频信号，就获得了这样的结果，应该算是相当不错了。有一个有错误的例子出现在John Coltrane的‘My Favorite Things’播放表中，此播放表的一个不同点是包含几个奇异值（outliers），最明显的地方是在Elvis Presley的‘Crawfish’中。其原因可能是在被分析的音频信号段（从8:40 到9:10）包含一段疯狂的萨克斯独奏。如果分析整首歌曲，可能会有比较好的结果。

它们有什么用？

Spotify已经在其推荐管道中使用了一大堆不同的信息源和算法，因此我的工作最明显的应用就是添加成另外一个信号源。当然它也可以用来过滤由其它算法推荐的异常结果。我在前面已经指出，协同过滤算法趋向于在推荐中包含引曲、终曲、翻唱曲和混音曲。这些可以通过基于音频的方法有效地过滤。

我在这项工作中的一个主要目标是可以用它推荐新的，以及尚未流行的音乐。我希望这样提供帮助，那些不太知名和未来的乐队，通过允许Spotify向适合的听众推荐他们的音乐，得到公平的竞争环境。（宣传未来的乐队碰巧也是我一个非营利网站 got-djent.com的主要目标。）

希望不久它们的部分功能就能开始 A/B 测试，于是我们可以知道这个基于音频的推荐，能不能在实践中表现非凡。这是我非常兴奋的一件事情，因为它不是在学术界轻松做到的。

今后的工作

Spotify收集到的另一种用户反馈形式是用户对电台播放曲目的向上拇指和向下拇指。这类信息对于确定哪些曲目是类似的十分有用。不幸的是其中的噪音也很大。我目前正在尝试在‘ 排序学习’（learning to rank）设置中使用这些数据。我也在实验各种距离度量学习方案，比如 DrLIM。如果有任何很酷的结果我可能会写一篇新的文章。

结论

本文中我概述了在Spotify机器学习实习中到目前为止所做的工作。我解释了使用卷积网络做基于音频的音乐推荐的方法，并提出了有关该卷积网络的实际学习效果的心得。有关这个方法更详细的内容，请参考由我和 Aäron van den Oord在NIPS 2013合写的论文 ‘ 基于内容的深度音乐推荐’（Deep content-based music recommendation）。

如果你对深度学习，特征学习以及它在音乐中的应用有兴趣，可以到我网站的 research中看看，了解一下我在这个领域做过的其它工作。如果你对在音乐推荐中Spotify的方法有兴趣，参考一下Slideshare和 Erik Bernhardsson在其博客中的介绍。

Spotify是一个很酷的工作场所。他们对其使用的方法很开放（同时允许我写这篇博客文章），这在工业界并不是很常见的。

如果你对本文有任何问题或者反馈意见，请留下你的评论！

原文链接： Recommending music on Spotify with deep learning（文/彭根禄责编/钱曙光）

作者：u011239443 发表于2017/6/11 15:30:34 原文链接

阅读：25 评论：0 查看评论

酷我酷狗QQ合并案落定腾讯音乐娱乐集团正式出炉

Tue, 24 Jan 2017 08:00:00 CST

TME宣布，集团将成立酷狗音乐业务线、QQ音乐业务线、酷我音乐业务线、音乐财经部、版权管理部和法务管理部六条业务线，分别负责各个音乐产品业务的研发运营工作和集团相关事务管理工作。此前负责QQ音乐业务的腾讯副总裁彭迦信将出任TME集团首席执行官一职，原中国音乐集团的联席CEO谢国民、谢振宇将担任联席总裁，分别负责酷我、酷狗业务线。

另外，酷我总裁史力学、酷狗COO陈琳琳都出任了TME副总裁，分别协助管理酷我和酷狗两大业务线。

在猎豹全球智库1月份发布的2016音乐app排行榜中，安卓平台上，酷狗、QQ音乐、酷我以14%、10%、3%的周活跃渗透率占据前三甲的位置，腾讯音乐娱乐集团已经成为了名副其实的霸主，但周人均打开次数上，三大app都不到网易云音乐的一半。

除此之外，TME还有两大问题：

1、坐拥华语音乐最大版权库的腾讯音乐，或许在版权上享有绝对的优势，但也面临高额的版权费用；

2、如何让听众付费则是所有中国在线音乐公司的难题。QQ音乐数字专辑业务最近一年进展不错，先后出现了两张销售额过3000万的专辑，前一张是天王周杰伦让歌迷苦等两年的最新专辑，后一张来自于掀起中国音乐粉丝浪潮的李宇春。但很难想象，其他音乐人也会有如此强大的号召能力和专辑售卖能力。

在QQ音乐与CMC合并之前，CMC曾尝试携酷我、酷狗在美国上市，募资在3-6亿美元之间，但由于美股市场不看好在线音乐，这次上市最终搁浅。而两大音乐公司的合并，也是重启上市之路的前奏。有消息称，瑞典在线音乐巨头Spotify也将考虑今年下半年在美国IPO，其走向交易所的顺利程度，或许将影响到TME上市的步伐

[广告]活动入口:

买美股，上老虎 - 超低佣金，每股只需1美分

网易云音乐Vs酷狗音乐PC客户端竞品分析

Tue, 16 Jun 2015 09:31:41 CST

首先看看音乐播放器在用户多媒体APP中所占的比重

截至2015.6.6各平台中音乐APP的下载排行，网易云音乐占7.8名，酷狗第一。

在分析网易云音乐之前，先对市场上各种音乐播放器做一个大概的功能解析。

各产品	特色点
酷狗	分类广而全/ 酷狗音乐人/ DJ 独类/资讯大类/ 繁星直播网/线下活动，访谈
QQ音乐	独家首发/ 大平台/专题MV/线下盛典活动
天天动听	论坛/ 耳机独卖/资讯/ 小编推荐/ 动听FM/冠名好声音
酷我	明星图库/娱乐直播/ 线下活动/ 酷我KTV
百度音乐	影视歌曲独列/ 无损专区/资讯专题/原创音乐人/ 百度king榜/乐播（类似主播）
网易云音乐	私人FM/ 朋友/网易独家MV(资讯)/ 积分换礼品

各产品的侧重点都不同，都有各自的独特点，从用户量上可以确定的该产品形态的老大是酷狗，其在整合用户资源以及对音乐播放器的把握还是挺有经验的，而作为用户增长最快的网易云音乐，是绝对的潜力股，其竞品就确定为酷狗音乐。

以下是具体分析前的整体思路：先对网易云音乐和酷狗音乐分别进行产品解构，进而更好的理解产品；再对产品进行需求和用户体验的对比分析；最后是总结和对网易云音乐的相关建议。

首先对网易云音乐这一产品做出更好的理解，将其解构为表现层，框架层，结构层，范围层和战略层。

先从从框架层开始引入，从网易云音乐的产品界面可以明显的看出左侧功能区分成三方面框架：推荐，我的音乐，我创建/收藏的歌单。确定好此基本框架后进行下一步。

对于结构层，由于音乐播放器这一产品形态可以理解为信息型兼功能型产品，所以重点是每一个框架层及其子层之间的结构关系，和其功能逻辑。下图是云音乐的信息结构图。

以及其功能逻辑图：

有了前面的分析，我也可以确定网易云音乐的范围层，或者说，网易云音乐作为音乐播放器目前所做的 三大特色功能：个性化推荐，歌单与电台，朋友。而由于我对网易云音乐的战略定位以及具体的产品定位无法知道，用户需求除了我等一下的分析外，可靠地数据还得从大量的用户反馈以及各种调研之中得出。所以对产品的战略层，我只能针对上面的分析后得出的三大特色功能作为定位来分析。

其次，再对酷狗音乐做一个同上述一样的解构。

框架层，即信息的呈现框架：

结构层：重点是产品的功能逻辑：

最后，来到范围层，经过上面的分析，我可以得出酷狗的强项：

结构简洁，适合广大用户使用
范围广阔，完整的分类适合想听歌但没目标的中间级用户使用
功能齐全，从K歌到铃声制作，能够稳住用户群

酷狗以绝对的优势赢得了广大用户群，但在音乐社交上明显地没有网易云音乐的大众优势，下面就通过用户需求，用户体验两方面进行详细的对比分析。

用户需求

需求满足的现状

关于音乐播放器存在的价值我这里不必多说，其存在本身就是一种刚性需求，但各种各样的音乐播放器也是有着其产品定位，或者说是侧重点不同导致结果不同。如果说酷狗定位是满足绝大部分用户，那该产品的做法的确令人称赞，从它庞大的用户群也可以看出来；而如果云音乐的定位只是网易公司在众多产品下的一个策略，对目标用户定位为那些有强烈的情感需求的人们，那目标用户在范围上就没有酷狗大。除非真是某种策略，那谁不想自己产品的固定用户群越多越好呢？而不管怎样，用户都可以分类成初级，中级和高级，级别的划分是根据用户粘度来决定。下表是详细分类解释：

按用户粘度分类	一句话概括	酷狗的满足方式	网易云音乐的满足方式
初级	“需要的时候就听听”	分类齐全，操作简易	庞大用户所建的歌单
中级	“有亮点吸引，从路人甲变为甲”	搜索全！渠道广！口碑传播好	强大的个性化推荐
高级	“对产品有一种使命感，责任感”	繁星直播，相关音频界面制作	电台营运，大V级歌单创建者

由表可以看出，酷狗的强项在于广而全的歌曲分类与选择上，而在音乐社交方面有明显的缺陷（虽有繁星直播，但背后有斗鱼TV等这些强大的主播平台）；网易云音乐则在音乐社交方面做得很好，除此之外其强项还有网友大赞的个性化推荐这一功能，但在对初级用户的吸引上有所劣势。

总结与改进建议

作为起步较早且积累了良好的口碑的酷狗音乐在大众用户心中占有一定的比例，在歌曲的整合上可以说是处于行业领先地位中，而作为后起之秀的云音乐以一种创新的方式，即音乐社交，用户自己创建歌单通过云音乐这一平台在作为信息源被其他用户所接受，从而使用户可以通过相似用户所建的复合自己品味的歌单，这是一种可以高效获得自己想要的音乐的平台，即使现在用户量没酷狗多，但云音乐的这种创新有很好的前景。下面是对云音乐的相关改进建议：

建立用户创建歌单的命名规则。可以自己自定义歌单电台的名字，但也可以建立一种向酷狗那样歌单，电台名称比较简洁的方式（类似“神曲”“广场舞”等）。建立一种用户等级奖励机制，使用户规范的创建歌单，这对活跃用户和更清晰明确地信息显示都有帮助。
首页推荐中增加热门的“最简名”歌单。增加分类信息，以满足“没有明确目的”的用户对歌单的第一且明显的感觉，这样才能留住初级用户。
将首页中的“热门精选”分类细化（热门歌单，热门电台和MV ）。当然可以备注“更多”按钮以跳转到相应的界面。这同样是通过广分类的方式来吸引初级用户。
采取每日弹窗的方式强调云音乐的强项。别人弹新闻，资讯，云音乐就应该改用弹窗来推荐相似歌单电台，甚至是相关用户的动态信息等。
成立一些类似线下歌迷会等等活动。主要是给高级用户“发言权”，让他们决定活动的大部分内容等等。

用户体验

我所理解的用户体验，包括三方面：产品界面，交互设计和内在需求的满足（产品的实用性，与可用性，即本质需求，上面分析过，这里就不做分析）

产品界面

主要是一些图标所代表的功能，而这些图标图片能不能有很好的视觉传达效果，主要看人们的上网经验，比如一些基本的箭头符号，代表展开等等，这些图标按钮能否不用要让用户思考就可以知道其功能作用是什么。作为得过优秀设计奖的云音乐，界面方面不用做太多讨论。

交互设计

从一个使用周期出发（即浏览发现音乐→相关操作→管理音乐，以及账户的管理），先分别来个主界面图：

对浏览发现音乐而言

两者都有最基本的分类，这能满足“菜鸟级”用户很容易地入门，但从分类的强度而言，酷狗的分类更胜一筹，其每个主导向下面还有更完整地次级分类：

相比于酷狗大而全的分类策略，云音乐则主打用户甚至歌星自己创建歌单和电台，类似“乐库”一样的分类云音乐没有，单曲的直接陈列也是通过排行榜和最新音乐来完成的，网易云音乐的这种小而精的做法是建立在音乐社交的地位上的，如果说酷狗是个大型商场，购物有完整的体系分类，却无人做类似的售后指导；那云音乐就是中小型的用户型商场，里面除了商品外，还有很多用户可以交流分享购买后心得，甚至实现了用户与用户之间的交易。从这方面来说，网易云音乐是一个有创造性的产品，目前的问题是怎样扩大商场以容纳更多的用户。

对相关操作而言

从选曲，到播放，添加，下载等一系列的操作，先上图：

上述是云音乐新歌速递里面的，除了MV图标和“全部播放”可以直接点击外，单曲没有明显的相关操作，只能靠右击展开。再看酷狗的做法：

信息很直接，基本功能操作不需要右击展开

这是歌单里面的截图，“喜欢”“下载”都有直接按钮，但播放需要右击才能显示。除此之外，音乐的相关信息显示的很好，即使有些数据不容易看懂~~ 如下：

而酷狗的电台音乐信息展现：

综上：对相关操作来说，云音乐的确要向酷狗学学，这并不是说要让云音乐在每首歌上明显地加上诸如删除，添加，收藏，播放等功能信息，而是如何更好的呈现这种操作信息的展现方式。云音乐的一键enter也可以实现播放功能，但谁又愿意鼠标点击一下以确定到达该歌曲，再按下键盘enter键播放呢？

对管理音乐而言

酷狗音乐是左右分布，从右边的“商城”选择到的音乐放入左侧管理，且管理的分类也是一目了然；云音乐则是“从左侧的功能区入口点击到达右侧的信息显示区”两种方式各有千秋。

但在做好功能结构清晰明显的同时，有一点是最基本的，那就是用户所听的歌的一个显示，也即播放列表的显示，酷狗将其称之为默认列表，并放在管理区的最首端，这一点云音乐或许是根据自己的产品定位，认为这一点对该产品的用户而言优先级较低，所以显示不特别明显。如下：

账户的管理

两者都有自己的账户管理控件，但更倾向音乐社交的网易云音乐，在账户入口上建立的很方便直接，这使用户很明显的感受到有自己的音乐空间；相对而言，酷狗则较为逊色，其入口被强大的信息所显得不怎么突出：

交互细节

搜索栏搜索

对酷狗而言，除了比云音乐少了用户，主播电台分类外，点击去之后还有一次选择，也突出了酷狗庞大的信息量；而云音乐在搜索栏下点下后就直接播放了！不给用户选择~

拖拽功能

酷狗的界面四周都可以进行拖拽移动，无形中方便了用户；而云音乐却只有界面上方才能拖拽移动~（同理的还有界面大小的调整，云音乐只能从右下角进行~）

当然作为获得过优秀视觉设计将的网易云音乐，除了产品视觉效果优秀外，还有一些值得体会的小细节

歌曲进度记忆

云音乐退出后，再打开，产品能很好地记住用户退出时所播放的音乐和其进度，而酷狗web端和APP都没做到这一点（退出后再打开需重新选择音乐或随机选择一首）

上面是在云音乐中再次点击某一电台所呈现的部分画面

导航

用户在庞大的信息中浏览搜索，酷狗是通过“返回上一步”来实现对用户的指导；而云音乐不仅有上一步，还可以反悔回到之前，即导航的立体化，最重要的是，无论你在哪个位置，点击左上角的云音乐logo就可以回到主界面！！

总结

对上述的建议看法在此列出：

对单曲的基本操作。以一种更为明显并简洁的方式，比如音乐信息列表上除了有“喜欢”“下载”按钮外，还可以添加“播放”按钮，或者为了简洁，将“喜欢”换为“播放”。
账户管理中的内容点击后建议不用跳转到浏览器上。直接在web客户端上进行会使用户感觉到该软件的一体化强大的平台，而跳转到浏览器上只会消弱用户的这种感觉。
交互细节方面。第一是搜索后建议还有一个选择界面，而不是直接播放，以尊重用户；第二是建议界面上下空白处都可以拖动。

后记

综上，酷狗是大众都可以接受的音乐播放器，以其广而全的信息和大平台吸引也巩固了用户；

而网易云音乐则以音乐社交这一独特点开启了创新之路，并以强大的个性化推荐功能赢得了广大用户的赞扬，其以用户创建歌单的形式来展现音乐使云音乐更像是一个音乐分享平台，即使现在的用户量不如其他竞争对手，但作为用户增长量最快的同类产品，选对了出发点，前景是良好的。不管怎样，云音乐需要改进的地方我之前分析过，这里就不再累赘，其核心就是 改良信息的展现方式，突出产品强大的功能个性化推荐，以及细节体验的改进。

本人产品小白，望大家对上述分析指正批评~

本文由 @小数点原创授权发表，并经人人都是产品经理编辑。转载此文章须经作者同意，并请附上出处(人人都是产品经理)及本页链接。

互联网人士必备微信公众号：woshipm，雷军和周鸿祎都关注了，如果你已经关注了，证明你已经很牛逼了。

使用jfugue来演奏mid音乐

Fri, 26 Dec 2014 17:21:25 CST

java真是无所不能，居然还能演奏音乐。今天要介绍的是一个用java写的演奏播放mid音乐的类库，名字叫 jfugue。这个类库的优点是方便写曲谱，使得不懂java sound api的人也能写出程序来演奏mid音乐。

环境：
JDK1.7.0_72 64bit (理论上JDK1.5以上都可以)
当然电脑声卡，音响耳机，客官记得自备。

1.下载
先要到官网下载jfugue，本文写作时最新版是jfugue-4.0.3.jar。把这个jar包下载下来，加到classpath下就能用了。

2.第一个程序

        Player player = new Player();
        player.play("C D E F G A B");

没错，就2行代码，就可以演奏出“哆来咪发索拉西”这7个音了！把耳机戴上，听到了吗？

3.进阶，《两只老虎》

Player player = new Player();
//两只老虎
Pattern pattern1 = new Pattern("I[40] C5q D5q E5q C5q");
//跑得快
Pattern pattern2 = new Pattern("E5q F5q G5h");
//一只没有眼睛
Pattern pattern3 = new Pattern("G5i A5i G5i F5i E5q C5q");
//真奇怪
Pattern pattern4 = new Pattern("C5q G4q C5h");

// Put all of the patters together to form the song
Pattern song = new Pattern();
song.add(pattern1, 2); // Adds 'pattern1' to 'song' twice
song.add(pattern2, 2); // Adds 'pattern2' to 'song' twice
song.add(pattern3, 2); // Adds 'pattern3' to 'song' twice
song.add(pattern4, 2); // Adds 'pattern4' to 'song' twice

// Play the song!
player.play(song);

看不懂的话下面解释一下。

4.名词理论

4.1 音符
note 音符
rest 休止符
chord 和弦

jfugue里用MusicString来表示曲谱。
CDEFGAB分别代表：哆来咪发索拉西
R代表：休止符
sharp 升音符用#表示
flat 降音符用b表示

4.2 音阶
octave 八度音阶

如上图所示，一般常用的7个音在红色区域的第5阶。
而MusicString里不写的话默认就为第5阶，比如《两只老虎》基本都是第5阶，只有1个音是第4阶。

4.3 音长
duration 音长

whole	w
half	h
quarter	q
eighth	i
sixteenth	s
thirty-second	t
sixty-fourth	x
one-twenty-eighth	o

《两只老虎》里面基本都是q，表示四分之一音长，最后有个h表示二分之一音长。你可以对比上面的乐谱和代码，就能明白了。

4.4 Pattern的运用
Pattern其实就是为了避免重复的乐谱复制粘贴，《两只老虎》里面每段乐谱都重复2遍。所以用了4个Pattern来简化代码。

4.5 乐器
instrument 乐器
默认: Piano

这个是MIDI的一个规范
MIDI定义了128种乐器，用来表现不同的音色。
我这里不复制粘贴了，请自行去维基百科上查阅 General MIDI里面的旋律音色（Melodic sounds）这一章节。

要使用乐器，在MusicString里用I[]表示,其中中括号中是乐器的号码，不过和维基百科上的有一点不一样，它是从0开始编号的，所以是0~127
如此便能解释《两只老虎》开头的那个I[40]了，查维基百科上的表可知41号乐器是小提琴。
至此，你应该对《两只老虎》这首曲子的谱写方法完全明白了吧。

5. mid转谱工具
如果懒的话，有一个mid转谱工具可以用，而不用自己一个个把谱敲进去。
这个工具jfugue自带,类名是org.jfugue.extras.Midi2JFugue

比如我们已经在网上下载了一个《卡农》，文件名是canon.mid
执行以下命令，便可以转为乐谱，存到canon.txt里
java -cp jfugue-4.0.3.jar org.jfugue.extras.Midi2JFugue 11 canon.mid canon.txt
这个命令里面的11没有任何意义，只是一个占位符，因为官方这个工具有点小bug，多了一个无用参数。。。

OK，转好，最后用程序播放曲谱，试验下是否ok。（代码见music.7z里的Canon.java，文末自己找下载）

在卡农的乐曲声中，这次对jfugue的介绍就到此结束了。

jfugue-4.0.3.jar (110.9 KB)
music.7z (9.9 KB)

已有 0 人发表留言，猛击->> 这里<<-参与讨论

ITeye推荐

—软件人才免语言低担保赴美带薪读研！—

校园广播台使用音乐的版权问题该如何解决？

Mon, 30 Dec 2013 10:51:00 CST

2013-12-30更新说明：
以下答案均是按电台播放音乐不收取费用考虑，如果是收费（点歌），肯定是属于需要向音乐著作权人支付费用的。
-----更新说明结束-----

首先是看你们校园广播台是否属于著作权法里的“广播电台”。现在的情况我不知道，原来我上学时都还是“广播站”，也就是大喇叭，那个不是用无线电方式传播的，应该不属于广播电台。
如果是“广播电台”，《著作权法》43条后面还有一个44条是你没说到的，即：

第四十四条　广播电台、电视台播放 已经出版的录音制品，可以不经著作权人许可，但应当支付报酬。当事人另有约定的除外。具体办法由国务院规定。

我估计你们也不会使用“ 虽然发表但没有出版的音乐作品”吧？如果是 已经出版发行的CD等音像制品，是适用44条而非43条的。
法条中所述“国务院规定的具体办法”目前即：《广播电台电视台播放录音制品支付报酬暂行办法》
这个《办法》中对协商不成情况下的规定是：

第八条　广播电台、电视台播放录音制品，未能依照本办法第四条的规定与管理相关权利的著作权集体管理组织约定支付报酬的固定数额，也 未能协商确定应支付报酬的，应当依照本办法第四条第（一）项规定的方式和第五条、第六条规定的标准，确定向管理相关权利的著作权集体管理组织支付报酬的数额。

而第四条（一）项的内容是：

（一）以本台或者本台各频道（频率） 本年度广告收入扣除15%成本费用后的余额，乘以本办法第五条或者第六条规定的付酬标准，计算支付报酬的数额；

所以答案是：

如果你们校园广播台属于广播电台。那么，有广告收入的话，就需要按一定比例支付报酬（这个你也没什么好抱怨的了）；如果没有广告收入，就可以不支付报酬。
如果你们校园广播台不属于广播电台。那么这种播放在性质上类似于“在公共场所播放音乐作品”，目前的法律实践仅是对营业场所播放背景音乐等收费。所以，需要看你们学校是否属于“营业场所”，公立学校不属于，可以不支付费用；私立学校从严格意义上讲，应该支付费用（P.S.但我不清楚有没有针对学校的特别合理使用规定，估计是没有）。

— 完 —
本文作者：徐歆皓

【知乎日报新版上架】无网络也能点收藏，举报评论功能新鲜开启，将精彩长评优先展示，点此立刻更新~

此问题还有 1 个回答，查看全部。
延伸阅读：
虾米网是否存在音乐版权问题？
如何理解音乐版权？

娱乐至死：《中国好声音》不仅仅来自“你的歌声里”

Mon, 01 Oct 2012 15:40:43 CST

2012年的中秋之夜，也许什么新闻都可以忘记，因为那是一个属于《中国好声音》的夜晚。在月圆之夜，浙江卫视活生生地把好声音的总决赛打造成另一台“全民春晚”，只是在没有读秒中“跨天”。

《中国好声音》的巨大成功，也让我们想起了2005年的那个超女之夜，全国万人空巷，去看李宇春、张靓颖和周笔畅三个小女生去拼搏她们的梦想，当李宇春以3528308票之巨夺冠的时候，我们便进入到了一个“娱乐至死”的时代。

“娱乐至死”，是美国学者尼尔·波兹曼(Neil Postman)所撰写的一本学术著作，他在前言中写道：

波兹曼在前言中写道，乔治·奥威尔的《一九八四》和奥尔德斯·赫胥黎的《美丽新世界》是两个完全相反的预言。奥威尔认为人们会受到来自外部的奴役，赫胥黎则认为，人们为失去自由、成功和历史并不是“老大哥”之过，人们会渐渐爱上压迫，崇拜那些使他们丧失思考能力的工业技术。奥威尔害怕真理被隐瞒，赫胥黎担心真理被淹没在无聊琐碎的世事中；奥威尔害怕信息被剥夺，赫胥黎则担心人们在庞大的信息中日益被动和自私。简而言之，奥威尔担心我们憎恨的东西会毁掉我们，赫胥黎则担心的是，我们将会毁于我们热爱的东西。

而波兹曼这本书的中心就是通过对美国印刷媒介和电视媒介社会中的不同的人类思维进行比较，论证了可能成为现实的是赫胥黎的预言，而不是奥威尔的预言。在波兹曼看来，监狱和滑稽游戏隐喻着在传统印刷媒介下的时代特征，而强奸和自慰则是电视媒介下（包括互联网媒介下）的娱乐时代特征。其实不管是监狱还是强奸，都是在极不情愿的情况下把一件事情强加给你，但是比起“监狱”这个让人感觉阴暗、恐惧的东西而言，强奸则在施加暴力的同时，让观众不仅出于一种因为压抑而亢奋的状态，更有一种发自于心理本能的接受和熟悉。而自慰，更是在满足了欲望的同时，也满足了自己的幻觉。

这样的娱乐至死，我们不得不想起中国好声音下的全民狂欢，这是电视+互联网时代下的娱乐时代特征。

在快男快女日益衰落的情况下，观众对这种性质的唱歌比赛已经厌倦，不管是选出一个好声音还是选出了一个好偶像，我们都已经懒得去关注，你甚至想不起来某年的冠军是谁。就如同我们重复了无数遍的爱情动作片，连自慰都提不起了性趣。此时，我们需要一部全新的节目来重新激起心底沉寂了太久的鸡血。

当《中国好声音》刚开始播出的时候，我们很习惯地以为这又是重复一次超女快男式的唱歌比赛，但不久，在微博上，各种“好声音”在疯传，每一段都是好声音中精选的好声音。此时在被选秀节目中的黑幕和内定强奸到无感的观众立刻眼前一亮，这才是正儿八经的歌唱比赛，这才是发自业界良心的优质节目。

当然伴随着好声音的还有各种杂乱噪音，选手在哭泣中回顾着自己不幸的家庭和在追逐音乐梦想中承受的苦楚，微博上翻出了晋级选手不为人知的丑闻，到了关键的淘汰赛阶段，以及终极考核阶段，各种黑幕和内定的段子已经失去了控制在网上风传，有人戏谑道，这不是中国好声音，而是“中国好关系”。这些现象，又让我们耳熟能详，此时，我们又有什么脸面去责备已经被炮灰的超女快男们呢？当华丽的总决赛结束后，总算醒悟到，我们只不过又一次被强奸，强奸的人还是那个人，只是那个人戴了一张看似正人君子的面具。

节目制作方也知道，伴随着比赛进入到关键时刻，选手的去留将成为观众的G点。每个人都有自己支持的人，尤其是每个好声音都旗鼓相当的情况下，不管淘汰谁都会引起巨大的争议。对于制作方，淘汰谁并不重要，如果没有引起争议才是最大的失败。评判一个好声音有标准吗？它不能搬出“蓝巨星”这种标准打分软件，选手的去留只是取决于评委老师的喜好，而老师选取的标准，又与他们的又与利益相关，好声音固然很重要，利益也何尝不重要呢？

当总决赛关键时候一次又一次的广告插播的时候；当总决赛的最后一幕，当99家媒体杂乱无章地拥挤在小小的舞台上，华少有气无力地维持着秩序的时候；当微博上观众疯狂地转发和谩骂的时候，中国好声音，已经被众多不和谐的杂音盖过，此时，记的梁博吗？

中国好声音它依旧是一场营销的胜利，它告诉我们的是，不要以为有些东西已经被泛滥，一个新鲜的创意加上绝逼的营销，照样可以把麻木的用户刺激起来，用户是可以被掌控，可以让他们在强奸中体验到快感而忘了暴力，当用户醒悟过来的时候，你已经赚得盆满钵满，一骑绝尘，只需要再换个有创意的面具回来继续拯救那颗被娱乐至死的心。

披头士改变音乐的十大创新

Tue, 08 Apr 2014 14:19:25 CST

译者：深山烟岚原文地址： listverse.com

披头士并的确没有开创音乐行业，但同贝多芬一样，他们拥有一种无可否认的超凡影响力—他们就像一股强大的旋风，所经之处，无不波及。“这股旋风”促使人们彻底并且永久地改变了音乐行业运作模式的方方面面。以下所列的这些创新条目并无主次之分，排名不分先后。

10 音乐录影带

尽管早期的爵士乐艺术家最先将他们的歌曲表演录制成音乐视频短片，猫王也将他歌曲表演中的独特场景拍摄下来用于电影制作，但披头士却首次将这两个概念（音乐和电影）融合在一起，形成了我们今天所理解的“音乐录影带”的概念：一部专门呈现某首流行歌曲的音乐影视短片，短片中所呈现的可能现场表演，也可能不是。披头士之所以会想到这个主意，是为了缓解他们极端紧张的日程—否则，他们就不得不奔赴世界各地，在大量的电视节目中出现，为观众表演。而从那以后，他们就可以将乐队的音乐录影带送往世界各地。1966年，他们首次为单曲《平装书作家和雨》（Paperback Writer/Rain）精心制作了音乐录影带。

9 概念专辑1

1966年以前，流行歌曲需要在录音棚录制成单曲。这些单曲最初由唱片公司分别发行，几个月之后再收录到一张密文唱片2中去。一般来说，对于将哪些唱片收录到专辑中，将它们以怎样的顺序排列或者用什么作为专辑封面，乐队是没有发言权的—这些都由唱片公司独自决定。然而，在制作人乔治•马丁弥足珍贵的指导之下，披头士发行了音乐行业第一张概念专辑《帕博军士孤独之心俱乐部乐队》（Sgt. Pepper’s Lonely Hearts Club Band）。这张专辑的创意源于披头士在一场公园音乐会中的表演，而该专辑中的所有歌曲都出自那场露天表演中披头士所演唱的歌曲。一开始，整张专辑中的歌曲都没有作为单曲发行—直到1967年6月，《帕博军士孤独之心俱乐部乐队》整张专辑发行之后，大众才第一次听到其中的歌曲。

8 露天体育场演唱会

尽管在1963年,1964年和1965年举办售票演唱会之后，披头士大获成功。但这些演出都是在预订的礼堂，剧院和圆形剧场举行的，现场都只能坐1000到10000名观众。1965年8月，经理布莱恩•爱普斯坦最初为披头士预订了纽约的谢伊体育场开办演唱会，而这一想法被认为荒唐至极，不值得考虑。然而，演唱会门票在几小时之内就售罄（价格在4.50到5.75美元之间），超过55000名疯狂的歌迷（大多数是十几岁的女孩儿）尖叫着聚集在谢伊体育场，参加这场前所未有的露天体育场摇滚演唱会。虽然披头士乐队只演唱了30分钟，歌迷们也不允许进入搭设有舞台的内场，而且对于一场音乐演唱会来说，体育场的音响设备也很糟糕，但那天晚上的总收入却达到了30万美元，这一行业记录保持了许多年。

7 独立唱片公司

相比于他们的成功之道，人们能从披头士栽的跟头里学到更多的“非常之道”，成立独立的唱片公司就是其中一点。1966年，披头士乐队与百代唱片公司的合约到期。1967年，他们又与百代续签了9年的合约。第二年，披头士乐队决定成立自己的唱片公司—苹果唱片3，可他们发现，百代唱片不愿意放人。经过一系列复杂地令人眼花缭乱的周旋，披头士还是留在了百代唱片，但又另外签订了一份由国会唱片—百代唱片的美国子公司与苹果唱片达成的协议。结果是美国发行的唱片印上了苹果唱片的标志，而在英国发行的唱片则没有（最初没有）。除了这个混乱状况，披头士的苹果唱片公司还合法地雇佣了两位经理人（美国的艾伦•克莱恩和保罗的新岳父李•伊斯特曼），所有苹果，百代和国王唱片公司之间的合同都被重新修订。随即，混乱和诉讼接踵而至。如此，披头士乐队以他们的痛苦经历为后来者“树立了规范”：如果你成立自己的唱片公司，千万不要这么做。

6 全球电视现场直播

尽管披头士乐队没有发明卫星电视，但他们却是1967年首场全球卫星电视直播关注的焦点人物。（当时）有一档名为《我们的世界》（Our World）的电视节目，报道19个不同国家的艺术家和公民所作的贡献。通过四个不同的轨道卫星，该节目能够对世界各地任何能够接收卫星电视信号的观众进行现场直播。当时，披头士在演播室现场演唱了一首《你所需要的只是爱》（All You Need Is Love）这首歌曲是约翰专门为这次电视直播所写，在节目结束时播放。

5 榜上有名

1964年春天，披头士在全世界掀起了一股“热潮”，该现象几乎无法解释。尽管许多不同的流行歌曲也曾在各种各样的唱片销量排行榜上高居榜首，大获成功，但与披头士相比，无论哪一位艺术家也只能是望其项背。3月21日，披头士有三首歌曲分列公告牌百强单曲4前三甲（那周他们共有7首歌曲入围该榜单）。3月28日，他们有四首歌曲分列该榜单的前四强（共有10首歌曲入围）。到了4月4日，令人难以置信地是，他们有五首歌曲占据了排行榜的前五位（那周共有12首歌曲入围）。4月11日，披头士又有两首歌曲新入围了百强榜单（他们的入围歌曲已达14首）。在这一段时期，他们也霸占了英国，美国和加拿大大部分专辑和单曲的十强榜单。

4 录音室技术

这一大创新可以在十大创新之列，也足以单独列一张清单。披头士乐队（还有他们的录音工程师）发明或是推广了如下的技术：人造双声轨（ADT），逆转伪装技术5，调节回授音6，录音带循环拼接7，声音均衡，声音失真8，立体声效果，多声轨（加录新声音），压缩，相位转移，创造性地使用麦克风9。尽管这些录音技巧中的大部分不是由披头士发明的，但他们却直接赋予了无数的音乐创作以灵感，而这些音乐创作正极度渴望模仿他们独一无二的声音。

3 把歌词印在专辑封面上

第一张将实实在在的歌词印在封面上的流行专辑就是披头士乐队于1967年发行的《帕博军士孤独之心俱乐部乐队》，这张专辑是披头士史诗般的作品。很快，将歌词印在专辑封面上就成了一种规范。

2 终止巡回表演

20世纪60年代，音乐行业一般的标准唱片合同要求每支乐队每年要录制和发行足够数量的单曲，以便使公司至少能发行一张专辑。披头士乐队完成的任务量远远超过了这一规定（在与百代唱片的合约期内，除了1966年，他们每年都发行两张专辑）。此外，标准的唱片合同还要求每支乐队每年都要举办规定数量的公开演唱会，以此作为宣传和销售专辑的十分有效的手段。然而，1966年8月，在旧金山的烛台公园，披头士乐队举办了他们最后一场公开演唱会。此前的六年间，他们所举办的巡回演唱会数量一直在增加。对于披头士（或者对于任何一支乐队）而言，决定终止巡回表演都是令人震惊的，具有标志性意义。多重因素促使披头士做出这一决定，比如筋疲力尽，在现场不能演唱最新的歌曲，无法在舞台上听到自己的歌声，音乐风格飘忽不定，死亡威胁和联合抵制带来的安全忧虑以及厌烦。此后，披头士乐队只有一次公开的音乐表演，这一天将在1969年1月30日到来。那场演出在他们伦敦工作室的天台进行，是一场即兴的，半私人的演唱会。

1 美国调频广播

直到1968年，美国广播界仍喜欢在调幅广播播放音乐，在调频广播播放语言类节目。并且，大多数调幅广播都以三分钟一首歌的单一模式播放歌曲，这就意味着远远长于三分钟或是短于三分钟的歌曲会被调幅电台忽略。否则它们就得完全改变每小时的重复模式来播放歌曲。1968年，披头士发行了时长将近七分半钟的单曲《嘿，朱迪》（Hey Jude）。调幅电台就简单地将歌曲三分钟以后的部分截掉了，听众也就没机会听到他们最喜欢的“Na na na nanananaaa”部分了。旧金山KSAN调频广播的先驱汤姆•多纳休承诺完整地播放单曲《嘿，朱迪》，而且还提出了其他一些创新的点子（如不加广告地大量播放音乐，一气呵成地播放整张专辑，等等），以此从当地的调幅电台吸引听众收听他节目编排独特的调频电台。这一创意逐渐迅速地在全国推广开来。十年之内，美国电台的角色彻底转换，调频广播用来播放音乐，而调幅广播则用来播放语言类节目。

--------------------------------------

译注：

注1 概念专辑指的是专辑中的乐曲全部围绕相同主题的音乐专辑,创作者用一张专辑里的所有歌曲来表达一个主题。其中的歌曲所表达的都应对应主题的中心思想，都是为主题服务的。

注2 密纹唱片是指一九四九年出现的每分钟转33.5转的唱片。密纹唱片的英文是Long Playing Record，所以人们经常称密纹唱片为LP。

注3 1967年，披头士在英国发起成立了苹果唱片公司，以录制摇滚乐为主。四人成立该公司也是形势所迫，1967年8月27日，他们的经济人布莱恩•爱普斯坦因吸毒过量死亡,披头士为有一个管理自己作品出版与版权的机构,于是便决定成立了该公司。

注4 公告牌百强单曲榜（Billboard Hot 100）是由美国的音乐杂志《公告牌》所制作的一份单曲排行榜，该榜单也被认为是美国最具权威的一份单曲排行榜。排行榜的排名，是由美国境内的唱片销量和单曲在广播中广播的次数之总和决定，每一期的新榜单在周四发表。

注5 逆转伪装技术是指用录音室技术，把一些特别的歌词，用倒转的方向录入一首歌中。在正常播放下无法听出这些歌词，但把录音带或唱片以逆转方向播放，就可听到有另一把声音唱另一些歌词。这是一种巧妙的方法，把歌词直接送入人的潜意识中。

注6 回授音就是话筒产生的声音被功放（扩音）放大送入音箱，然后再被话筒检到又被送入功放放大，再送到音箱。如此循环，即是回授音。回授音可以调节和控制，进而可对其进行应用。披头士在创作中就应用了吉他回授音。

注7 将录音带拼接成一个循环，这样声音就可以循环播放。

注8 声音均衡及失真均是对声音加以处理，然后加以应用。

注9 披头士创新地使用了很多技术，拓展了音乐录制的可能性。他们会把麦克风摆在特殊的位置，以产生不同的声音。

音乐或能提高学习成绩

Fri, 31 Oct 2014 12:43:55 CST

许多获得杰出成就的人都将至少一部份成功归功于音乐学习。去年的诺贝尔医学奖获得者Thomas Sudhof将成功归功于他的巴松管老师。爱因斯坦曾说，他的相对论大发现是对音乐感知的结果。最新研究得出了一些有意思的答案。音乐并非万能药，也可能无法将你的孩子变成诺贝尔奖得主。但有确凿证据显示，音乐可以提高儿童的学业成绩，并帮助解决一些学校里最棘手的问题。发表在《Journal of Neuroscience》2009年一期的一篇报告中，研究人员使用了MRI来研究31名六岁儿童在参加乐器课前后的大脑状况，为期15个月。他们发现，学习音乐后这些学生的大脑控制精细运动功能和听力的区域增大了，这些学生在这两个领域的能力也增强了。而且连接左脑和右脑的胼胝体也增大了。德国经济研究院的调查发现，在课外接受了音乐课程的受调查者在认知能力方面的得分比同龄人高得多，成绩也更好，而且更具责任心和远大志向。音乐的影响是其他活动的两倍以上，而且无论学生的社会经济背景如何均能产生影响。

【典藏背景音乐】史上最经典的27首背景音乐

Sun, 10 Nov 2013 00:54:04 CST

创建者：frwef

既然小诺已进入了纯音乐这个大坑，我就把他埋得更深O(∩_∩)O哈哈~

去虾米试听

曲目列表:
1. 渔舟唱晚-- 项斯华
『据说是迄今为止中央电视台唯一没有改变过的背景音乐，《天气预报》一直使用它。《渔舟唱晚》（即天气预报背景音乐），是当年在上海颇有名气的电子琴演奏家浦琪璋根据同名民族乐曲改编演奏的。她原来是上海乐团...』

2. Adagio-- Secret Garden
『《Adagio》（柔板）很柔美，就像它的名字一样，也是很能引发感触的好作品，听了居然不免要落泪，足见其感染力之强！有一些广告就用其作为背景音乐，另外电台的一些情感节目也有用其作为背景音乐。而且，该曲也...』

3. 英雄的黎明 -- 横山菁儿
『很恢弘的一首曲子，在日本动画片《三国志》中出现过，也在95版《神雕侠侣》出现过。』

4. 天地孤影任我行-- 陈勋奇
『东邪西毒-《天地孤影任我行》，那电影开场时开山碎石的背景音乐，极其苍凉雄浑，后来大话西游里紫霞临死这段音乐飘扬的时候，我已忍不住潸然泪下』

5. The Soong Sisters-- Bandari
『97天龙八部一首背景音乐，非常洗涤心灵的伤感音乐，尤其是后半段，令人伤感...』

6. Annie's Wonderland-- Bandari
『《安妮的仙境》（Annies Wonderland）出自班德瑞的《仙境》这张专辑，柔美而有力度，适合朗诵配乐。』

7. With an Orchid-- Yanni
『凤凰卫视《天气预报》主题曲这首《和兰花在一起》（With an orchid）出自Yanni（雅尼）的专辑《If I Could Tell You》，被凤凰卫视用于天气预报的背景音乐。』

8. Song from a Secret Garden-- Secret Garden
『这首《神秘园之歌》出自神秘园的第一张专辑《SONGS FROM A SECRETGARDEN》。据说这首歌伤感能杀死人，让人象迷失在神秘的丛林里，黑暗的看不到天，找不到出口，沉溺在这样的黑暗中，象一个...』

9. Windancer-- Secret Garden
『这首曲子出自神秘园的专辑《White stone》（白石），悠扬舒畅，有品味的书店和FLASH动画都比较偏爱这首曲子。』

10. Chariots Of Fire-- Various Artists
『一直深爱着后半段』

查看全部曲目

每周 iPhone/iPad 应用推荐：豆瓣音乐人，Adobe Reader，果壳网

Mon, 24 Oct 2011 17:47:13 CST

iOS 5 发布之后，已经要超过 1/3 的用户升级到 iOS 5（这里有 iOS 5 升级指南），所以开发 iPhone / iPad 应用永远不要像安卓那样考虑向下兼容性，:-)

虽然上周很多厂商的主要工作都升级了 App 以兼容 iOS 5，但是还是有很多值得推荐的 App。

豆瓣音乐人

豆瓣FM之后，豆瓣有一款音乐应用。豆瓣音乐人可以帮到你发现当下最酷的独立音乐，这是国内首款服务于音乐人和乐迷的移动应用。用户可以集中查看关注的音乐人，随时收听音乐人上传的歌曲，即时跟进他们的创作更新与活动动态，并参与互动；也可以选择浏览收听豆瓣当下最热的音乐人及单曲，或是根据音乐人的风格流派分类浏览。

下载：豆瓣音乐人。

另外百度ting 也推出 iPhone 应用。

Adobe Reader

App Store 上有很多 PDF 相关的应用，只有这个才是 Adobe 官方亲自推出，同时支持 iPhone 和 iPad，用于跨平台和跨设备可靠地查看和共享 PDF 文档的免费全球标准。可以方便、有效地访问各种 PDF 文件类型 — 包括 PDF 包、密码保护的 PDF 文档、无线打印和共享文件、和受 Adobe LiveCycle 权限管理的 PDF 文件。

下载：Adobe Reader

果壳网

著名的科技社区果壳网也推出了 iPhone 应用，果壳网应用简单易用，让你轻松访问谣言粉碎机、健康朝九晚五、性情、心事鉴定组等主题站的精彩文章。你不止可以阅读，还能推荐有价值的内容，发表独到评论。

下载：果壳网

餐前试毒

现在大家无论是吃中餐，西餐，法国餐，意大利餐…大家第一个反应已经不是先尝一下味道如何，闻一下香味如何。而是拿起手机拍照然后发送到weibo上面，据说这样很潮，他们管这种行为叫做餐前试毒。

只需就餐前打开App，然后对着食物进行拍摄。取样完毕后删除不需要的照片，点击选择您需要的评价(表打字，选需要的评价就可以了。iPhone上面打个字俺伤不起。您甚至连评价都不需要给)，然后直接点击发表。好吧，完成了，我们可以继续就餐了。

下载：餐前试毒

盛大词库

盛大的产品总感觉很粗糙，盛大词库可能算是做得还算细致的一款产品，这是盛大创新院的一款英语学习必备的应用，iPhone / iPad 通用。海量英语听力学习资源，每日更新，帮你快速提高英语听力和词汇量。首创 iPhone / iPad 划词搜索功能、手势操作，可以一边练习，一边对里面的单词进行翻译。

下载：盛大词库

>>>继续阅读全文 ...

Kindle Fire 之于电影产业，就像 iPod 之于音乐产业

Sun, 30 Oct 2011 08:30:53 CST

在过去的五年中，没有一家公司能够提供完整的提供一整套的流媒体解决方案。我们扳指头数数： YouTube， Adobe，Netflix ， Akamai 和其他那些震撼市场的公司之所以可以成功，并不是他们的技术方案有多么完整，而是因为他们在产业里的背景和地位。

随后，一些小公司通过创新对市场造成了一定的影响，但是如果想要撼动整个市场你必须要有足够的规模和影响力。所以——亚马逊的 Kindle Fire，也许会凭借完备而强大的流媒体服务方案，来改变电影产业。

让我们从音乐产业看到电影产业

如果问大家：“哪些公司对在线内容消费模式产生了极大的影响？”肯定有不少人会说：“苹果！”没错，它改变了移动设备上的内容消费模式。从音乐商店起家，逐步扩展到图书，电影市场。

说到电影，就不得不提到流媒体。 YouTube 是个典型的例子，它给电影业带来了很大的冲击。Google TV 要走进每个家庭并达到足够大的市场规模还至少需要三至五年的时间。但亚马逊不同，由于亚马逊自己的 AWS 服务和强大的云端系统，他们能轻而易举的部署大量的流媒体服务器，并给其他已有相应产品的客户提供服务。考虑到亚马逊的 Amazon Prime 服务已经能够提供12000 部电影和电视剧，且亚马逊和越来越多的内容提供商达成了协议，或许努力一段时间之后，它很快就能在在线影视市场占有与 Netflix 相同的份额。

而且，现在有了 Kindle Fire

亚马逊现在有了Kindle Fire ，有了一个靠谱的终端，因此一切都不一样了。它将不再是默默无闻的市场竞争者，而将一跃而成领头羊：它通过软硬结合构成了完整的生态圈。在此之前没有任何一个竞争者者能够拿出这样一个价格合理，而又专门设计为用来进行内容消费的设备。更不要说Kindle Fire 已经在这么短的时间内卖出了上千万台。虽然几乎每个人都拥有电脑，但是微软和索尼的家庭游戏机产品仍能大卖，说明专注某个领域的专用设备仍是受到用户欢迎的。而Kindle Fire 正是这样一个专注于视频内容消费的设备。

与此同时，亚马逊也在技术上进行了革新：以亚马逊强大的云端加速能力为后盾，亚马逊 Silk 浏览器能够给用户带来丝绸般顺滑的网络浏览体验。更妙的是，亚马逊有个优良的传统：旗下产品推陈出新的速度非常快，能够跟上时代的步伐。

毫无疑问，Kindle Fire 必将大卖，而且亚马逊无疑已经在流媒体领域拥有了比苹果更好的资源，下一步就是等待整个生态圈的活化并进一步飞速发展：用户飞速增长并带动对流媒体视频内容的需求，影片制造和分发商获得更多的资本并更快的推出和分发自己的产品，更妙的是他们现在有了一体化的解决方案：没有转码，版权保护，商品存储，物流分发，滞销以及收集用户反馈的烦恼。在未来的一两年中，亚马逊 Kindle Fire 将会像 iPod 改变音乐产业一样改变电影产业。

事实上，亚马逊已经通过近几年的产品证明了，他们有实力给产业带来了新故事。平均 50% 甚至 70% 的畅销书都是电子书，最近热销的电子版《史蒂夫•乔布斯》更进一步凸显了电子书的优势：电子书没有物流递送带来的延迟。

相信这种成功可以复制。

本文部分材料来自 StreamingMedia

#第一现场新起点：诺基亚 Windows Phone 发布会总结。请点击查看。

Google Music 绕过唱片公司，Artists Hub 允许独立音乐人自己传歌自己卖

Thu, 17 Nov 2011 16:27:57 CST

今天发布的Google Music除了分享到Google+试听之外，还有一大亮点，就是Artists Hub，它绕过了唱片公司这个二道贩子，直接与音乐人对接，允许独立音乐人自己上传音乐到Google Music进行销售，获得的收入跟Google三七分。

任何独立音乐人都可以将自己的音乐上传到Google Music进行销售，仅需要在第一次建立音乐人页面的时候支付25美元的一次性设置费，之后即可上传无限多的专辑和无限多的音乐，各种介绍信息也可随时更改，年费是0！

你可以创建自己乐队或个人的页面，包含你的照片、介绍、各种链接，当然还有你上传的音乐。另外别忘了Google还手握YouTube这个传播音乐的途径，所以你也可以将MV上传到YouTube，并让自己MV里的音乐下载链接出现在YouTube里，实现一键购买：

如果你是音乐人，如果你被唱片公司骗过，如果你看到那些完全不懂音乐的音乐经纪公司就想抽他们丫的这帮混蛋，赶紧来Google Music独立音乐人页面注册吧，用你的音乐说话，让混蛋唱片公司闭嘴！

继续观看视频介绍：

iOS设备观看地址，原始视频地址。

Via Google Blog

© musiXboy 发表于谷奥——探寻谷歌的奥秘 ( http://www.guao.hk ), 2011. | 5 条评论 | 永久链接 | 关于谷奥 | 投稿/爆料
Post tags: Artists Hub, Google Music, Google Music Store

多米DJ: 社会化音乐推荐与互动产品

Wed, 12 Oct 2011 16:58:45 CST

多米DJ 是一个新的音乐发现网站，以图形化、社交化以及模拟DJ现场的方式帮助人们找到好听的音乐。

多米DJ 是一个新的音乐发现网站，以图形化、社交化以及模拟DJ现场的方式帮助人们找到好听的音乐。在这里，每个人都可以成为真正的DJ，由用户自己来决定这场派对中播放的曲目。你可以通过播放自己共享的音乐，结识到志同道合的朋友，大家畅聊音乐体验以及感受。另外，房间里的每一个人对当前DJ所播放的歌曲有投票支持与否决权，通过播放优秀的歌曲来获得听众赠与的积分，以博得多米DJ社区成长体系中的更高荣誉。

多米DJ 是由多米音乐团队在前天发布上线的一款被贴上“社会化音乐推荐与互动”标签的产品，其创意直接来自于不久刚刚完成700万美元A轮的 Turntable。要说这款在国外取得某种意义上（资本市场、创业比赛评委的青睐）的成功的产品，原搬不动的带来到中国，他成功的可能性和他能够覆盖到的用户群体有多大？——我很难去持有乐观的态度。

回顾最近五年国内互联网市场，有被我记载下来的创业创新项目，只要跟Avatar相关的社交类产品（非社交游戏类），基本上寿命维持在半年到一年时间内。对于创业者而言，惨痛的失败教训当时被归结于产品的用户体验、技术上的解决方案以及外在的网络带宽未能跟上当时用户日益增长的需求；不过，今天回过头去看历史，失败的种种根本不在乎上述几点，理由恰恰相反，普遍大众的需求相比于5年前，他们从未发生过明显的变迁。简单来说，我们所未能接触到的90%的互联网用户根本无法去接受和理解浏览器里面这种交互形式的意义；而Avatar最大的价值——互动性、娱乐性也因为用户的不理解而被视为一种糟糕和无趣。

BTW：多米DJ目前还处于内测阶段，五个内测邀请码放在评论区域，感兴趣的同学们请自取。

谷歌 Google 音乐商店界面截图浮现，每日有免费下载歌曲

Mon, 14 Nov 2011 21:06:00 CST

分类: 智能手机

大家都在期待谷歌在 11 月 16 日（传将会在洛杉矶举办发布会）揭开音乐商店面纱，还好在这之前有截图可以让我们一窥下面貌。TecnoDroidVe 网站获取了在商店中的截图，虽然功能受限，无法下载和购买，但是界面已经透露出一些信息。专辑的封面采取方块状排列，你可以点进去看到专辑或单曲的介绍，当然还有价格，根据受欢迎的程度，0.99 或 1.29 美金不等。同时还提供了每日免费歌曲推荐下载，搜索歌曲还会列出相关的推荐曲目。最终的界面会如何，再等两天就可以知晓了。谷歌的音乐商店能否和 iTunes 抗衡目前还很难说，但至少消费者多了一个获得音乐的渠道。我们期待谷歌推出华语音乐频道，来满足中文音乐用户的需求。

继续阅读全文 谷歌 Google 音乐商店界面截图浮现，每日有免费下载歌曲

引用来源 | 引用来源 | 此文章网址 | 转寄此文章 | 回应

苹果iPod、iPhone音乐音质与AAC/MP3文件比特率的关系

Sat, 19 Dec 2009 00:46:52 CST

如果你在抱怨苹果iPod、iPhone的音质，我想说：音质不仅取决于主机，还要有合适的耳机以及高比特率的音乐文件。木桶原理大家都听说过，拿一个小白耳机（iPod自带的耳机的确不爽，强烈建议换第三方的），从网上下载一批高压缩低比特率的音频文件，再高端的iPod、iPhone也放不出好音质。
下面是一个国外的工程师对苹果iPod、iPhone音乐音质与其所播放的AAC或MP3文件比特率的关系总结，让我们看看提高苹果iPod、iPhone音质的根本方法吧。

苹果iPod、iPhone音乐音质与AAC或MP3文件比特率的关系

    从上面这张表格我们可以得出3个结论：
    1、比特率192kbit / s 的AAC格式音乐或比特率320kbit / s的mp3格式音乐是苹果iPod、iPhone获得高音质的最低要求；
    2、同等比特率的AAC格式音乐要比MP3格式音乐的音质好一个档次……AAC可是Apple力挺的，你当苹果是心血来潮啊；
    3、国内百度mp3、谷歌音乐下载的歌曲，很少能达到第一条所需水平，百度mp3里很多歌曲都是128kbit / s的“bad”级别音乐文件…你放到iPod、iPhone里，当然音质不佳。下载高质量音乐或是从CD光盘抓轨导入音乐才是王道（苹果iTunes自带功能）
过几天写一篇《苹果iTunes从CD光盘抓轨导入音乐时，提升导入音乐文件音质的方法》，敬请关注。

Tags - ipod , iphone , aac

音乐抚慰焦虑，减轻痛苦

Sat, 24 Dec 2011 16:45:11 CST

译者 Coco Lee

音乐抚慰焦虑，减轻痛苦

瑞克·诺尔特

经研究人员证实，听音乐可以有效减轻高度焦虑症患者的痛苦。研究还发现，音乐可作为放松消遣的好方式并且对于那些容易沉迷于认知活动的人们来说很有效果。

来自犹他病痛研究中心的研究人员对音乐在将心理反应转移到疼痛刺激实验的潜在利益进行了评估。根据研究来说，控制疼痛的关键在于任务中病人对音乐的参与程度。

研究总共对143项科目进行了评估，这些项目是用来指导病人去听音乐曲目，和着曲调来分辨是否跑调。

他们在完成音乐任务的过程中，会感到指尖触电似的阵痛，但是是安全、实验性质的。结果发现，随着音乐任务的要求越增多，疼痛刺激使得中枢兴奋度就越降低。

音乐通过激活感觉通道、刺激情绪反应、保持认知注意力（也就是转移对疼痛的注意力）来帮助人们减轻痛苦。因此，音乐通过接触有意义的智力上和感情上的东西来帮助减轻痛苦。

还有一项惊人的发现，那就是音乐对有关疼痛的高度焦虑症状课题的研究要比那些与疼痛无关的课题的研究有帮助的多。之前研究人员曾推测说焦虑会对病人沉浸到听音乐的任务中的能力有所干扰，而这项发现却刚好与其相反。

研究人员还发现，低度焦虑事实上可能会使病人投入到音乐任务中的能力降低。

出现焦虑会有助于分散注意力，这被认为是一个新的发现。更进一步说，这种关联性表明在对减缓痛苦的参与策略进行引荐时应当考虑到个人特质。

看书背单词也能听的纯音乐背景音乐

Thu, 26 Jan 2012 01:33:37 CST

创建者：moooi

都希望背单词有一个非常安静的环境，可是当老妈在做家务，时不时发出噼里啪啦锅碗瓢盆声；又或者楼上邻居唱卡拉OK的余音缭绕到你家。这时候你就需要有这么张舒缓柔和，不会产生强烈意念的美妙旋律，让它围绕成一个专属于你的小小空间，和纷纷扰扰的世界隔离开来

去虾米试听

曲目列表:
1. 李斯特:爱之梦No.3-- 李云迪

2. 肖邦:夜曲,Op.9,No.2-- 李云迪

3. 远方的寂静-- 林海

4. 琵琶语-- 林海

5. Glenn Gould/Beethoven:Sonata "Moonlight" 顾尔德/贝多芬:月光奏鸣曲-- 几米

6. Gabriel's Oboe-- Yo-Yo Ma

7. The Falls -- Yo-Yo Ma

8. Cinema Paradiso: Looking For You -- Yo-Yo Ma

9. 巴赫(G大调第一大提琴组曲)前奏曲-- 秦立巍

10. Wong Chia Chi's Theme [王佳芝主题]-- Alexandre Desplat

查看全部曲目

蓝魔音乐汇 W13 及 W16 将直接搭载 Android 4.0.3 出货

Thu, 29 Dec 2011 21:50:00 CST

分类: 平板电脑

谷歌在本月 20 号发布的 Android 4.0 （ Ice Cream Sandwich）的最新升级固件 4.0.3，平板产商就赶紧跟上了。蓝魔发布会刚刚透露的 W13 及 W16 将直接搭载 Android 4.0.3 出货。冰激凌三明治这个最新的固件在图形、数据库、拼写检查和蓝牙等方面都作出了改进，包括新的相机性能，以及最新出现的一些文字教学，方便不熟悉的用户快速玩转 Android。预计国内市场到明年上半年，出货的平板基本上都会是 Android 4.0，只是现在手机厂商跟上的速度比较慢。

Gallery: Ramos W13 W16 Android 4.0.3

引用来源 | 此文章网址 | 转寄此文章 | 回应

Android Service的使用方法音乐播放器实例

Mon, 26 Dec 2011 14:58:10 CST

Service翻译成中文是服务，熟悉Windows 系统的同学一定知道很熟悉了。Android里的Service跟Windows里的Service功能差不多，就是一个不可见的进程在后台执行，避免被用户误关闭。因为Android在某些情况下会自动关闭非前台显示的Activity,所以如果要让一个功能在后台一直执行，不被Android系统关闭，比如说闹钟、后台播放音乐，就必须使用Service.
之前开发音乐播放器的时候也没用Service,但是却可以后台播放，以为Service没什么用，但是经过一段时间后发现，没用Service的播放器在播放一段时间后会被系统自动关闭，而且就算还在后台播放，过一段时间后打开播放器，再点播放按钮，会出现两种声音，今天用Service写了个Demo,完美解决以上问题。
布局XML，就两个按钮：

<?xml version="1.0" encoding="utf-8"?>
<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android"
    android:orientation="vertical"
    android:layout_width="fill_parent"
    android:layout_height="fill_parent"
    >
<Button android:id="@+id/start"  
    android:layout_width="fill_parent" 
    android:layout_height="wrap_content" 
    android:text="开始"
    />
    <Button android:id="@+id/stop"  
    android:layout_width="fill_parent" 
    android:layout_height="wrap_content" 
    android:text="停止"
    />
</LinearLayout>

主程序main.java:

package com.pocketdigi.service;
 
 
import android.app.Activity;
import android.content.Intent;
import android.os.Bundle;
import android.view.View;
import android.view.View.OnClickListener;
import android.widget.Button;
 
public class main extends Activity {
    /** Called when the activity is first created. */
    Button start,stop;
    @Override
    public void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.main);
        findView();
        start.setOnClickListener(startlis);
        stop.setOnClickListener(stoplis);
    }
    private OnClickListener startlis=new OnClickListener(){
 
        @Override
        public void onClick(View v) {
            // TODO Auto-generated method stub
            startService(new Intent(main.this, Music.class));  
            //启动服务
        }
 
    };
    private OnClickListener stoplis=new OnClickListener(){
 
        @Override
        public void onClick(View v) {
            // TODO Auto-generated method stub
            stopService(new Intent(main.this,Music.class));
            //停止服务
        }
 
    };
    public void findView(){
        start=(Button)findViewById(R.id.start);
        stop=(Button)findViewById(R.id.stop);
    }
}

服务 Music.java:

package com.pocketdigi.service;
 
 
import android.app.Service;
import android.content.Intent;
import android.media.MediaPlayer;
import android.os.IBinder;
 
public class Music extends Service {
    private MediaPlayer mp;
    @Override
    public IBinder onBind(Intent intent) {
        // TODO Auto-generated method stub
        return null;
    }
    @Override
    public void onCreate() {
        super.onCreate();
        mp=MediaPlayer.create(this,R.raw.xrx);
 
    }
    @Override  
    public void onStart(Intent intent, int startId) {
        super.onStart(intent, startId);
        mp.start(); 
    } 
    @Override
    public void onDestroy() {
        super.onDestroy();
        mp.stop();
    }
 
}

服务还需要在AndroidManifest.xml注册后才能使用：

<?xml version="1.0" encoding="utf-8"?>
<manifest xmlns:android="http://schemas.android.com/apk/res/android"
      package="com.pocketdigi.service"
      android:versionCode="1"
      android:versionName="1.0">
    <application android:icon="@drawable/icon" android:label="@string/app_name">
        <activity android:name=".main"
                  android:label="@string/app_name">
            <intent-filter>
                <action android:name="android.intent.action.MAIN" />
                <category android:name="android.intent.category.LAUNCHER" />
            </intent-filter>
        </activity>
    <service android:enabled="true" android:name=".Music" /> 
    </application>
</manifest>

已有 0 人发表留言，猛击->> 这里<<-参与讨论

ITeye推荐

—软件人才免语言低担保赴美带薪读研！—