Shazam ทำงานกันแน่อย่างไร?

 (perthirtysix.com/how-the-heck-does-shazam-work)
5 คะแนน โดย GN⁺ 2026-04-23 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • การรู้จำเพลงทำงานโดยแปลงการสั่นของอากาศที่ไมโครโฟนรับได้ให้เป็น waveform จากนั้นบีบอัดเป็น spectrogram และยอดพีกความถี่ที่เด่นเพียงไม่กี่จุด เพื่อสร้างลายนิ้วมือของเพลง
  • เนื่องจาก waveform ดิบเปลี่ยนไปได้ง่ายตามระดับเสียงและสภาพแวดล้อมในการเล่น จึงใช้เป็นเกณฑ์ระบุตัวตนได้ยาก และต้องใช้ FFT กับช่วงสั้น ๆ แต่ละช่วงเพื่อเผยโครงสร้างความถี่ตามเวลา จึงจะเปรียบเทียบได้อย่างเสถียร
  • พีกที่เหลืออยู่จะไม่ถูกใช้เป็นจุดเดี่ยว ๆ แต่ถูกจับเป็นคู่ระหว่าง anchor และ target zone แล้วทำเป็นแฮช ซึ่งชุดผสมแบบนี้ทำหน้าที่เป็น fingerprint hash ที่เฉพาะพอจะแยกแยะไฟล์บันทึกเสียงแต่ละเวอร์ชันได้
  • การค้นหาไม่ได้เทียบเพลงทีละเพลง แต่ใช้โครงสร้างแบบ hash-first ที่ค้นหาด้วยแฮชเป็นคีย์ได้ทันที และในขั้นสุดท้ายยังตรวจสอบว่า ช่วงเวลาห่างกัน ของแฮชที่ตรงกันสอดคล้องกันด้วย เพื่อเพิ่มความน่าเชื่อถือ
  • แม้ฐานข้อมูลขนาดใหญ่บนเซิร์ฟเวอร์กับวิธีแบบ on-device จะมีขนาดและข้อจำกัดต่างกัน แต่แก่นสำคัญคือการทิ้งข้อมูลส่วนใหญ่ไปแล้วเก็บเฉพาะ landmark peak ไว้ เพื่อหาเพลงได้รวดเร็วแม้จากคลิปสั้นและมีเสียงรบกวน

กระบวนการตีความเสียงย้อนกลับ

  • ไมโครโฟนในโทรศัพท์ใช้ diaphragm ที่บางมากวัดการสั่นของอากาศ แล้วแปลงเป็นลำดับตัวเลขที่แสดงความดันอากาศตามเวลา หรือก็คือ waveform แล้วเก็บไว้
    • แก้วหูของคนเราก็รับคลื่นความดันแบบเดียวกัน แต่โทรศัพท์มองมันไม่ใช่เป็นเสียงโดยตรง หากเป็นลำดับตัวเลข
    • เสียงที่เข้ามาจะถูกสุ่มตัวอย่างหลายหมื่นครั้งต่อวินาที โดยทั่วไปใช้ 44,100 Hz
  • การระบุเพลงจาก waveform ดิบเพียงอย่างเดียวทำได้ยาก เพราะแม้จะเป็นเพลงเดียวกัน ถ้าเปิดดังขึ้น waveform ก็อาจเปลี่ยนไปอย่างมาก และเพลงคนละเพลงก็อาจมี waveform ที่คล้ายกันได้
    • สภาพแวดล้อมการเล่นที่ต่างกันก็ทำให้ waveform ของเพลงเดียวกันต่างออกไปได้ จึงไม่เหมาะจะใช้ waveform เองเป็นเกณฑ์ระบุตัวตน
  • เพื่อลดปัญหานี้ ต้องแบ่ง waveform ออกเป็นชิ้นเล็ก ๆ แล้วใช้ FFT เพื่อแยกว่าในแต่ละช่วงเวลามีความถี่ใดอยู่บ้าง
    • ถ้าจะพูดเป็นคำถาม ก็คือ "ถ้าจะสร้างเสียงสั้นชิ้นนี้ขึ้นมาใหม่ ต้องเอา pure tone อะไรมาบวกกันบ้าง"
    • เมื่อนำผลของแต่ละชิ้นมาเรียงต่อกันด้านข้าง ก็จะได้ spectrogram ที่ประกอบด้วยแกนเวลา แกนความถี่ และแกนความสว่าง
  • FFT อาศัยข้อเท็จจริงที่ว่า waveform ที่ซับซ้อนเพียงใดก็สามารถแสดงเป็นผลรวมของคลื่นไซน์ที่มีความถี่ แอมพลิจูด และเฟสต่างกันได้
    • ตัวอย่างเช่น ถ้าใส่ 1,024 samples เข้าไป ก็จะได้สเปกตรัมที่บอกว่ามีพลังงานอยู่มากน้อยเพียงใดในแต่ละความถี่
    • สำหรับแต่ละ frequency bin จะนำทุก sample ไปคูณกับคลื่นไซน์ของความถี่นั้นแล้วบวกรวมกัน หากความถี่นั้นมีอยู่จริงในสัญญาณ ผลรวมจะสูง แต่ถ้าไม่มีก็จะหักล้างกันไป
  • หัวใจของ FFT คือความเร็ว เพราะการแยกองค์ประกอบแบบตรงไปตรงมาจะต้องคำนวณหลายล้านครั้งต่อหนึ่งชิ้น แต่ FFT ใช้สมมาตรทางคณิตศาสตร์เพื่อลดลงเหลือราว n log n
    • เร็วพอในระดับที่โทรศัพท์ก็รันได้หลายร้อยครั้งต่อวินาที
    • อุปกรณ์จะเลื่อนหน้าต่างนี้ไปบนเสียงอย่างต่อเนื่อง ใช้ FFT กับแต่ละชิ้น แล้วสะสมผลเพื่อสร้าง spectrogram
  • ตัวอย่างแบบง่ายมักใช้เสียงสังเคราะห์ที่มีความถี่บริสุทธิ์เพียงค่าเดียว ซึ่งช่วยให้เข้าใจได้ แต่ดนตรีจริงซับซ้อนกว่านั้นมาก
    • เมื่อป้อนเพลงจริงหรือเสียงฮัมเข้าไมโครโฟน spectrogram จะดูยุ่งกว่ามาก แต่ FFT ก็ยังดึงโครงสร้างภายในออกมาได้แบบเรียลไทม์
    • ในตัวอย่างบนเบราว์เซอร์ เสียงทั้งหมดถูกประมวลผลภายในเบราว์เซอร์เอง โดยไม่บันทึกหรือส่งออกไปภายนอก

ลายนิ้วมือที่ยิ่งน้อยยิ่งแข็งแรง

  • ระบบจะไม่เก็บ spectrogram ทั้งหมด แต่จะเก็บไว้เฉพาะพีกที่ใหญ่ที่สุด แล้วบีบอัดเป็น ชุดจุดแบบ sparse
    • เมื่อทิ้งสัญญาณที่อ่อนและเหลือไว้เฉพาะจุดที่แรงที่สุด ก็จะเหลือแต่ landmark ที่สำคัญเชิงอะคูสติก
  • เหตุผลที่ต้องทิ้งข้อมูลส่วนใหญ่ ก็เพราะการเก็บและค้นหา spectrogram ทั้งชุดนั้นช้าเกินไปแม้สำหรับคอมพิวเตอร์
    • ยิ่งตั้งค่า threshold สูง สัญญาณที่จางก็จะยิ่งหายไป และเหลือเพียงพีกใหญ่ ๆ
  • วิธีนี้ช่วยเพิ่ม ความทนทานต่อ noise
    • เสียงรบกวนพื้นหลังจะเพิ่มพลังงานระดับต่ำกระจายไปทั่ว spectrogram แต่โดยมากจะไม่สามารถสร้างพีกที่แรงที่สุดในบางบริเวณได้
    • landmark ที่เหลืออยู่จึงเป็นความถี่เด่นที่โผล่พ้น noise ออกมา
  • แต่ในทางกลับกัน วิธีทำลายนิ้วมือแบบนี้มักทำงานได้ไม่ดีนักเมื่อให้คนร้องเพลงเข้ามาโดยตรง
    • ต่อให้ร้องได้ดีมาก ก็ยังมีโอกาสสูงที่จะสร้างแฮชที่ต่างจากต้นฉบับ
    • นั่นจึงเป็นเหตุผลที่ระบบ machine learning-based รุ่นใหม่กว่านำทำนองมาเป็นหลักแทนความถี่ที่แม่นตรง เพื่อรองรับการฮัมและการร้องเพลง

เชื่อมจุดเข้าด้วยกันเพื่อสร้างแฮช

  • จุดเดียวมีพลังในการแยกแยะไม่พอ แต่การจับคู่สองจุดมีโอกาสเกิดขึ้นโดยบังเอิญต่ำกว่ามาก จึงเหมาะจะใช้เป็น fingerprint hash
    • ตัวอย่างเช่น 1,200 Hz ณ ช่วงเวลาหนึ่งอาจพบได้ในเพลงหลายพันเพลง แต่ถ้าหลังจาก 1,200 Hz ไป 0.3 วินาทีมี 2,400 Hz ตามมา ชุดคู่นี้จะเฉพาะเจาะจงกว่ามาก
  • อัลกอริทึมจะนำแต่ละพีกมาเป็น anchor ทีละจุด จากนั้นกำหนด target zone ทางด้านขวาที่มีช่วงเวลาและช่วงความถี่ แล้วจับคู่กับพีกทุกจุดที่อยู่ในนั้น
    • แต่ละคู่จะสร้าง hash แบบสั้นจากตัวเลขสามค่า คือความถี่สองค่าและส่วนต่างของเวลา
  • แฮชทำหน้าที่เป็นรหัสสั้นที่ให้ผลลัพธ์เดิมเสมอเมื่อป้อนข้อมูลเดิม และหากเปลี่ยนข้อมูลเพียงเล็กน้อยก็มักได้ค่าที่ต่างไปอย่างสิ้นเชิง
    • ระบบแนว Shazam มีวิธีจัดการกับความแปรผันเล็กน้อย แต่โดยพื้นฐานแล้วแฮชถูกสร้างจากความถี่และจังหวะเวลาที่แม่นยำ
  • ผลลัพธ์คือแฮชนี้ทำงานคล้ายลายนิ้วมือของ ไฟล์บันทึกเสียงเวอร์ชันหนึ่งโดยเฉพาะ มากกว่าจะเป็นของเพลงในเชิงนามธรรม
    • เพราะฉะนั้น cover หรือ remix จึงจับคู่ได้ยากกว่า
  • แม้แต่เพลงยาว 3 นาที เพลงเดียวก็อาจสร้าง fingerprint hash ได้หลายพันรายการ และฐานข้อมูลจะเก็บทั้งหมดไว้
    • โทรศัพท์จะถือแฮชจำนวนเล็กน้อยที่ได้จากคลิป 5 วินาที ส่วนฐานข้อมูลถือแฮชนับล้านที่ดึงมาจากเพลงจำนวนมหาศาล แล้วจึงเข้าสู่ขั้นตอนการจับคู่

การหาคู่ที่ตรงอย่างแม่นยำ

  • แฮชแต่ละตัวถูกใช้เหมือน ที่อยู่ ชนิดหนึ่ง โดยระบบจะเปิดตารางขนาดใหญ่เพื่อค้นหาทันทีว่าเพลงใดบ้างที่มีแฮชเดียวกับแฮชที่ได้จากคลิป
    • แทนที่จะไล่ดูทีละเพลง ระบบจะเข้าถึงด้วยตัวแฮชเองในฐานะคีย์
  • วิธี song-first แบบตรงไปตรงมาต้องตรวจทุกเพลงทีละเพลงและเช็กว่าแฮชซ้อนทับกันหรือไม่ จึงยิ่งช้าเมื่อจำนวนเพลงเพิ่มขึ้น
    • เนื้อหาอธิบายว่าวิธีนี้ใช้เวลาแบบ O(N)
    • มีการใช้ฐานข้อมูลตัวอย่างและรายการแฮชจากคลิป 5 วินาทีเพื่อให้เห็นภาพความไม่มีประสิทธิภาพนี้
  • คอมพิวเตอร์สามารถพลิกวิธีคิดนี้เป็นแบบ hash-first ได้
    • สำหรับแต่ละแฮช ก็ถามตรง ๆ ว่า "มีเพลงไหนบ้างที่มีแฮชนี้"
    • เปรียบได้กับดัชนีท้ายหนังสือ ที่พาไปยังคำที่ต้องการได้ทันทีโดยไม่ต้องอ่านทุกหน้าใหม่
  • แนวทางนี้ทำให้การค้นหาใกล้เคียงกับ O(1) อย่างมาก
    • ไม่ว่าจะมี 100 เพลงหรือ 100 ล้านเพลง เวลาประมวลผลก็ยังใกล้เคียงกัน
    • เนื่องจากจำนวนแฮชที่เป็นไปได้มีมหาศาล แม้จะมีเพลงหลายล้านเพลง แต่ในแต่ละที่อยู่ก็มักมีรายการอยู่เพียงไม่กี่รายการเท่านั้น
  • แต่การมีแฮชตรงกันเพียงอย่างเดียวก็ยังไม่พอ การตรวจขั้นสุดท้ายจะดูที่ ช่วงเวลาห่างกัน
    • ตัวอย่างเช่น ถ้าในคลิป 17403C และ 19A998 ห่างกัน 1.2 วินาที เพลงที่เป็นผู้ต้องสงสัยก็ต้องมีแฮชสองตัวนี้ห่างกัน 1.2 วินาทีเช่นกัน
    • เมื่อส่วนต่างของเวลาระหว่างแฮชที่ตรงกันสอดคล้องกัน และมีจำนวนตรงกันมากพอ จึงจะถือเป็นการแมตช์ที่มีความน่าเชื่อถือสูง
  • ระบบทั้งหมดถูกออกแบบมาให้สอดรับกับงานที่คอมพิวเตอร์ทำได้ดีเป็นพิเศษ
    • เน้นการเปรียบเทียบตัวเลขและการค้นหาตามที่อยู่
    • จึงสามารถค้นหาครบทั้งระบบจากเพลงหลายล้านเพลงได้ในเวลา สั้นกว่า 1 วินาทีมาก

แนวทางที่ทันสมัยกว่า

  • บริการรู้จำเพลงจำนวนมากแบบ Shazam จะส่งคลิปเสียงไปยังเซิร์ฟเวอร์ แล้วทำการจับคู่กับ ฐานข้อมูลลายนิ้วมือ ขนาดใหญ่ที่อยู่บนเซิร์ฟเวอร์
    • โครงสร้างแบบนี้ถูกใช้เพราะฐานข้อมูลมีขนาดใหญ่มาก เปลี่ยนแปลงตลอดเวลา และการค้นหาต้องใช้ทรัพยากรคำนวณพอสมควร
  • ในทางกลับกัน การรู้จำบนอุปกรณ์ของ Apple และ Now Playing ของ Google Pixel จะรันทั้งหมดแบบโลคัลภายในโทรศัพท์
    • ใช้ฐานข้อมูลที่เล็กกว่าและคัดเลือกมาแล้ว รวมถึงโมเดลที่ปรับแต่งให้เหมาะสม
    • แลกความครอบคลุมทั้งหมดกับความเร็ว และยังรวมถึงแนวทาง machine learning ที่ซับซ้อนกว่าซึ่งทนต่อ noise และการเปลี่ยนรูปของเสียงได้ดีกว่า
  • วิธี on-device เร็วกว่าและทำงานได้แม้ไม่มีอินเทอร์เน็ต แต่ก็มีข้อจำกัดว่าฐานข้อมูลเพลงที่จับคู่ได้จะเล็กกว่ามาก
    • การอัปเดตเพลงใหม่ก็มักช้ากว่าเช่นกัน
    • หากตรวจพบการเปลี่ยนตำแหน่งที่อยู่ ก็อาจต้องดึงข้อมูลชุดใหม่กลับมาอีกครั้ง
  • ความแตกต่างของเพลงฮิตในแต่ละภูมิภาคก็ส่งผลต่อการจัดชุดข้อมูลแบบ on-device ด้วย
    • เพลงฮิตในญี่ปุ่นอาจไม่เหมือนเพลงฮิตในสหรัฐอเมริกา
  • ไม่ว่าการจับคู่จะเกิดขึ้นบนเซิร์ฟเวอร์หรือภายในอุปกรณ์ เทคนิคหลักก็ยังเหมือนเดิม
    • เมื่อทิ้งข้อมูลส่วนใหญ่ไปและเก็บไว้เพียง landmark peak ไม่กี่จุด คลิป 5 วินาทีจากคาเฟ่ที่มีเสียงดัง ก็จะถูกเปลี่ยนเป็นชุดพิกัดที่แม่นพอจะชี้ไปยังเพลงหนึ่งเพลงจากหลายล้านเพลงได้
    • แก่นของการรู้จำจึงไม่ใช่การฟังให้ได้มากที่สุด แต่ใกล้เคียงกับการ ทิ้งสิ่งที่ควรมองข้ามออกไปให้แม่นยำ

งานวิจัยต้นทาง

  • เนื้อหาส่วนใหญ่ในบทความนี้อ้างอิงจากงานวิจัยปี 2003 ของ Avery Wang ชื่อ An Industrial-Strength Audio Search Algorithm
    • หากต้องการศึกษาทั้งด้าน signal processing และการออกแบบระบบให้ลึกขึ้น งานนี้คือจุดเริ่มต้นโดยตรงที่ดี
  • ลำดับภาพรวมทั้งหมดประกอบด้วยการแปลง waveform การเลือกพีก การสร้างแฮชจากคู่พีก การค้นหาด้วย inverted index และการตรวจสอบการจัดแนวตามเวลา
    • ขั้นตอนเหล่านี้เมื่อรวมกันแล้ว ทำให้สามารถระบุเพลงได้อย่างรวดเร็วแม้จากคลิปสั้นและมีเสียงรบกวน

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2026-04-23
ความเห็นจาก Hacker News

  • น่าจะดีถ้าอ่าน เอกสารเกี่ยวกับ Shazam ไปด้วย มีบทความต้นฉบับ https://www.ee.columbia.edu/~dpwe/papers/Wang03-shazam.pdf และถ้าสนใจจริง ๆ ก็คุ้มที่จะไปหา presentation ของผู้เขียนบน YouTube ด้วย https://news.ycombinator.com/item?id=18069968 มีโพสต์จากพนักงาน Shazam, https://news.ycombinator.com/item?id=38538996 มีคำอธิบายที่ผู้ร่วมก่อตั้งยืนยันรับรอง, และ https://news.ycombinator.com/item?id=41127726 มีการทำซ้ำอัลกอริทึมด้วย Go สุดท้ายแล้ว ผมคิดว่าหลายครั้ง ML ก็มีมูลค่าที่ ข้อมูล มากกว่าตัวโค้ดเอง

  • ข้อเดาล่าสุดของผมคือ อาจจะไม่ใช่เลยก็ได้ มันใช้ได้ดีพอสมควรกับเพลงป๊อปทั่วไป แต่ตอนพักการแข่งขันไอซ์สเก็ตผมลอง Shazam เพลง ซินธ์ ที่ค่อนข้างดีหลายเพลงหลายครั้งแล้ว มันหาไม่เจอสักเพลง ก็อาจเป็นเพลงที่ยังไม่ปล่อย หรือเป็นเพลงเฉพาะกลุ่มมาก ๆ แต่ก็ดูเป็นไปได้เหมือนกันว่า Shazam ล้มเหลวแบบชัดเจน

  • นี่ก็แน่นอนว่าเป็นเทคโนโลยีตระกูลเดียวกับที่ใช้ใน ACR ของทีวี แต่เหตุผลที่ Shazam มีชื่อเสียงบนอินเทอร์เน็ตดีกว่ามาก น่าจะเพราะมันเคารพ เจตนาและความยินยอม ของผู้ใช้ ถ้าทำอะไรคล้ายกันบนทีวีแต่ข้อมูลไม่ได้ถูกส่งไปเพื่อขายโฆษณาอย่างเดียว ก็น่าจะมีรูปแบบที่เป็นประโยชน์กับผู้บริโภคจริง ๆ ได้

    • แต่ถ้ามูลค่านั้นสุดท้ายก็แค่บอกชื่อ รายการหรือภาพยนตร์ ที่กำลังเล่นอยู่ มันก็ดูไม่ต่างจากข้อมูลที่ขึ้นมาตอนกดปุ่ม pause มากนักไม่ใช่หรือ

  • บทความนี้น่าจะเป็นหนึ่งในคำอธิบายเชิงภาพของอัลกอริทึม audio fingerprinting ดั้งเดิมจาก บทความ Shazam ปี 2003 ที่ดีที่สุดเท่าที่เคยเห็น แต่ก็คิดว่า ณ ตอนนี้พวกเขาน่าจะเปลี่ยนไปใช้ โมเดล ML กันแล้วในช่วงใดช่วงหนึ่ง

  • มีอัลกอริทึมชื่อ DTW(dynamic time warping) ซึ่งมักถูกมองข้าม สัญชาตญาณผมบอกว่า Shazam เองก็น่าจะใช้สิ่งนี้อยู่บ้าง

    • ก่อนหน้านี้ผมเคยใช้ DTW เพื่อติดตาม บอต บนโซเชียลมีเดียบางแห่ง บอตมักมีแนวโน้มจะทำพฤติกรรมกันเป็นฝูง ดังนั้น DTW จึงใช้ได้ดีในการจับคู่พฤติกรรมซ้ำ ๆ ที่มีการหน่วงเวลาให้เข้ากันอย่างนุ่มนวล

  • การ รู้จำว่าเป็นไฟล์บันทึกเสียงเดียวกัน ไม่ได้ยากมาก ถ้าเป็นเสียงบันทึกเดียวกัน progression ของคอร์ดและ timing จะทำซ้ำได้อย่างแม่นยำ ดังนั้นเทคโนโลยีแนวนี้มีมานานเกิน 10 ปีมากแล้ว ในทางกลับกัน การเดาว่าเป็นเพลงเดียวกันจาก เวอร์ชันคัฟเวอร์ หรือเสียงบันทึกคนละชุดนั้นยากกว่ามาก Audible Magic อ้างใน https://www.audiblemagic.com/2024/02/07/identifying-cover-songs-live-performances-ai-clones-and-more/ ว่าสามารถระบุได้แม้แต่การแสดงหลายเวอร์ชันของเพลงเดียวกันหรือพารอดี ซึ่งแน่นอนว่าเป็นวิธีที่ใช้ AI และการประมวลผลมากขึ้น

    • คำว่า ไม่ได้ยาก นั้นละรายละเอียดไว้เยอะเกินไป ในระดับสังคมโดยรวมมันอาจดูเหมือนเทคโนโลยีง่าย ๆ ที่แก้ปัญหาไปนานแล้ว แต่ถ้าให้แต่ละนักพัฒนาไปทำเองโดยไม่ไปค้นคำตอบก่อน ผมคิดว่าคนที่ทำสำเร็จจริงคงมีไม่มาก
    • อย่างน้อยก็เป็นเรื่องที่มีมา มากกว่า 20 ปี แล้ว เมื่อก่อนตอนทำคอนซัลต์ให้ Gracenote ผมจำได้ว่าเคยเห็นว่าพวกเขาทำงานกันอย่างไร
    • ถ้าอย่างนั้น ก็แค่ ลบข้อมูล timing ทิ้งไม่ใช่หรือ

  • ตอนแรกก็คิดว่าเป็นหัวข้อนี้อีกแล้ว แต่พอดูแล้วเป็น SCP โดเมนนี้ดูน่าสงสัยนิดหน่อย การวิเคราะห์ที่สมบูรณ์กว่าบทความปี 2022 ของ CameronMacLeod คือ https://news.ycombinator.com/item?id=38531428 และบทความปี 2009 ของ Slate คือ https://news.ycombinator.com/item?id=893353

    • ในบริบทนี้ผมไม่ค่อยรู้ว่า SCP คืออะไร secure copy ที่ผมนึกถึงตามปกติดูจะไม่เกี่ยวเลย แต่ก็ขอบคุณสำหรับลิงก์นะ คำถามในหัวข้อเป็นอะไรที่ผมสงสัยลาง ๆ มานานแล้วแต่ไม่เคยขุดลึกจริง ๆ เลยคิดว่าจะอ่านทั้งสามอัน
    • ถึงอย่างนั้น องค์ประกอบแบบอินเทอร์แอ็กทีฟ ของบทความนี้ก็เจ๋งดี

  • ต้องเพิ่มอันนี้เข้าไปในรายการโปรเจกต์ของผม ถ้าเอา Dinosaur game มาทำให้กระโดดด้วย เสียงขันของไก่ แทนการกดปุ่มก็น่าจะสนุกดี

  • สงสัยว่ามีวิธีทำให้ แอปแบบ Shazam ตรวจจับไม่ได้ไหม เช่นผสม noise หรือใช้เทคนิคอื่น

    • ผมว่าคงยาก เว้นแต่ว่า noise จะดังไปกว่าต้นฉบับที่ ความถี่เด่น บางจุด ในบทความก็มีตัวอย่างอยู่ อัลกอริทึมนี้เพื่อให้ค้นหาได้เร็ว จึงโดยพื้นฐานแล้วจะเก็บไว้แค่ จุดพีกของความถี่ และทิ้งอย่างอื่นแทบทั้งหมด
    • โปรดิวเซอร์หรือ DJ มักแก้ปัญหานี้ด้วยการ ไม่ปล่อยเพลงไปเลย หรือไม่ก็ปล่อยช้ามาก

  • ผมเคยทำสิ่งนี้เป็นโปรเจกต์วิทยาศาสตร์บน Apple ][c ตั้งแต่ปี 1986