MP3歌词显示探密

M P3是年轻人永远的话题。如果能在听歌的同时看着歌词随声哼唱,那是一件多么快乐的事情啊!虽然www.51LRC.com那样的网站提供了许多LRC格式的歌词,但怎么能够在自己的程序中把歌词显示出来呢?初探LRC歌词首先我找了一个LRC格式的歌词文件一探究竟。用文本编辑器打开一看,LRC歌词文件的内容类似于:[ti:Delphi程序之LRC歌词文件显示][ar:研砉程序园][al:www.nihg.orgQQ6276506][by:Nihg[研砉][offset:500][00:00.00]Delphi程序之LRC歌词文件显示[00:23.00]http://www.nihg.org研砉程序园[00:24.00]噢...[00:25.00]宁静的小村旁[00…     

技巧与实践

一步到位,歌词拷贝有绝招往MP3机里拷贝LRC歌词比较麻烦,必须保证LRC歌词都与歌曲名完全相同,否则MP3机就无法显示。这里教大家一个办法,打开“千千静听选项/歌词搜索”窗口,勾选“保存成歌曲文件相同的文件名”选框,点击“全部保存”按钮。重新下载LRC歌词后,在“播放列表”窗     

巧做卡拉OK遮罩字幕

不少网友自己制作MV,但网上许多作品声音和歌词不同步,更没有字幕滚动效果（我们平常所说的遮罩效果）,这不能不说是一种缺憾。 LRC歌词编辑器做字幕 在网上下载“LRC歌词编辑器”这个软件,安装到本地磁盘,打开这个软件,然后在软件中打开原创歌曲的LRC歌词文件或者是文本格式的歌词文件,直接转换成会声会影支持的UTF格式的字幕文件。     

易歌词:玩转LRC歌词特种任务

1月下《玩转歌词易如反掌》介绍的易歌词最近推出了2.1新版,增加了很多新鲜功能,用好它们可以让LRC歌词用途更广泛,表现更精彩。轻松制作会声会影字幕目前会声会影只支持UTF格式的字幕文件,不支持添加LRC等字幕文件。     

QQ搜索新花样

腾讯的“QQ搜索”(so.qq.com)虽然在搜索性能上无法与Google和百度相比,但它也有自已的特色功能,可以满足我们一些特殊的搜索需要。下载LRC歌词在“QQ音乐搜索”页面的(so.qq.com/mp3/)“搜索”框中输入歌曲名称,点击“音乐搜索”按钮,在搜索结果页面中点击“歌词”选项下的第一个按钮,在新页面中浏览歌词文件,点击“下载LRC歌词”按钮(如图1),即可将LRC同步歌词文件下载到本地硬盘中了。下载的LRC歌词文件默认采用“txt”后缀名,如果要在MP3机中使用,需要手动修改为“lrc”后缀名才能使用。英语学习在“QQ词典搜索”页面(so.qq.co…     

歌词下载不用愁,速配歌词帮你忙

现在大部分网友都用Winamp来听音乐,但是用Winamp听歌却不能显示歌词,这不能不说是一个小小的遗憾。而使用一些显示LRC歌词的插件,要先编辑或者收集LRC歌词,放入指定的位置,然后把歌曲和歌词一一关联起来,最后才可以显示歌词;如果你有大量歌曲,就得把这一系列动作单调枯燥地重复成千上万次!把这种繁琐的问题交给《速配歌词(Superlyrics)》吧!它会自动搜索、下载,智能快捷地为你实时滚动显示歌词!     

百度歌词玩快搜

听歌时若发现歌曲没有配套的LRC歌词文件,通常会去网上手动搜索和下载LRC歌词,比较麻烦。如果安装了“百度硬盘搜索2.5”软件则简单多了,你只须用它搜索该歌曲(只支持MP3和WMA格式),在返回的搜索结果页面中,它会直接给出一个“歌词”链接。点击它即可直接打开该歌曲的     

MP3歌词轻松大同步

现在几乎所有的MP3播放器都支持同步显示歌词的功能,即当MP3播放器播放某首音乐时会自动搜索与此音乐同名的.LRC文件,然后按时间顺序显示其中的文本,虽说功能很简单却非常实用。遗憾的是并不是每个人的音乐歌曲都附有.LRC歌词文件,而自己手动编辑.LRC文件又太浪费时间,“一个好汉三个帮”,就聘请一些免费软件来帮帮忙吧。     

MP3的影子歌词

一首MP3音乐,当你把它放到MP3随身听中播放时,会同步看到歌词。强调,你的MP3随身听中并没有这首歌曲的LRC歌词,或其他什么格式的歌词文件……[编者按]     

欣赏MP3，歌词的事情太容易!

听MP3歌曲应该说是大多数人的爱好,而如今支持MP3歌词显示的设备(如MP3播放器、智能手机等)也越来越多了,因而找到一款能下载和处理歌词的工具是十分必要的。在第六期"酷软新高地"栏目中,我们介绍给大家一款MP3歌词专家软件——易歌词(E-Lyric)。易歌词具有歌词批量下载、歌词批量转换、歌词字幕制作、编辑和歌曲歌词同步播放显示等功能,它支持LRC、ID3 LRC、TXT、SRT、UTF、KSC、SMI、ASS、SSA、SNC、QLY、KRC等12种歌词字幕格式的识别、转换、制作、编辑、同步播放,是一款绿色的免费软件。本期我们就该软件的具体实际应用,以图解的方式进行详细讲述,希望能给您全面了解这款软件带来帮助!     

基于sunflower的局部修复码构造

针对目前构造达到C-M界的二元局部修复码（LRC）的相关研究已经较为充分,但在一般域上还相对较少的问题,研究了一般域上LRC的构造。首先,提出了通过射影几何理论确定sunflower中元素个数的方法。其次,通过不相交局部修复组刻画LRC,从而清楚地描述LRC的码长、维数和局部度等参数。最后,在具有不相交局部修复组的校验矩阵的基础上,利用sunflower构造了两类一般域上最小距离为6的LRC,其中很多LRC是最优或拟最优的。相较于现有利用子域子码、广义级联码和代数曲线等方法构造的LRC,所构造得到的两类码在相同的码的最小距离和局部度下提升了信息率。这些结果说明所提方法可应用于一般域上其他LRC的构造。     

中文简谱的图像分割与歌词提取研究

为准确获取简谱的歌词信息,提出一种中文简谱的图像分割与歌词提取方案。在图像分割阶段,利用投影法与中文歌谱的高层领域知识分离歌词与乐音、标题等区域;在歌词提取阶段,设计包围盒算法提取歌词,合并属于同一个字的包围盒,区分标点符号,并与歌词包围盒分开存储。实验结果表明,该方案具有较好的歌词提取效果,平均歌词提取率可达97.48%。     

Kernel linear regression for face recognition

Linear regression uses the least square algorithm to solve the solution of linear regression equation. Linear regression classification (LRC) shows good classification performance on face image data. However, when the axes of linear regression of class-specific samples have intersections, LRC could not well classify the samples that distribute around intersections. Moreover, the LRC could not perform well at the situation of severe lighting variations. This paper proposes a new classification method, kernel linear regression classification (KLRC), based on LRC and the kernel trick. KLRC is a nonlinear extension of LRC and can offset the drawback of LRC. KLRC implicitly maps the data into a high-dimensional kernel space by using the nonlinear mapping determined by a kernel function. Through this mapping, KLRC is able to make the data more linearly separable and can perform well for face recognition with varying lighting. For comparison, we conduct on three standard databases under some evaluation protocols. The proposed methodology not only outperforms LRC but also takes the better performance than typical kernel methods such as kernel linear discriminant analysis and kernel principal component analysis.     

结合TF-IDF的歌曲情感多标记分类

提出一种结合词频-逆向文件频率(TF-IDF)规则与多标记分类的歌曲情感分析方法。对歌曲中基于声学特征的音乐内容,用带向量夹角的多标记k近邻算法进行分类,将TF-IDF规则用于歌词内容,以计算歌词情感分数,并将其作为情感特征。采用该方法对歌词内容分类错误的类别标记进行修正。选用396首英文歌曲对该算法进行测试,结果表明,与其他方法相比,该方法能使分类精确度从69%提高到74%。     

中文歌词的统计特征及其检索应用

我们在歌词上做了一些传统的自然语言处理相关的实验。歌词是歌曲语义上的重要表达,因此,对歌词的分析可以作为歌曲音频处理的互补。我们利用齐夫定律对歌词语料库的字和词进行统计特征的考察,实验表明,其分布基本符合齐夫定律。利用向量空间模型的表示,我们可以找到比较相似的歌词集合。另外,我们探讨了如何利用歌词中的时间标注信息进行进一步的分析: 例如发现歌曲中重复片段,节奏划分,检索等。初步的实验表明,我们的方法具有一定的效果。     

Feature Extraction Based on Maximum Nearest Subspace Margin Criterion

Based on the classification rule of sparse representation-based classification (SRC) and linear regression classification (LRC), we propose the maximum nearest subspace margin criterion for feature extraction. The proposed method can be seen as a preprocessing step of SRC and LRC. By maximizing the inter-class reconstruction error and minimizing the intra-class reconstruction error simultaneously, the proposed method significantly improves the performances of SRC and LRC. Compared with linear discriminant analysis, the proposed method avoids the small sample size problem and can extract more features. Moreover, we extend LRC to overcome the potential singular problem. The experimental results on the extended Yale B (YALE-B), AR, PolyU finger knuckle print and the CENPARMI handwritten numeral databases demonstrate the effectiveness of the proposed method.     

采用帧信息计时实现LRC的精确同步

分析了LRC不同步的原因,通过对MP3帧结构的研究,提出了采用位率的计时方法。这种方法既实现了准确计时,又节省了系统资源,进而实现了LRC的精确同步。     

Combination of linear regression classification and collaborative representation classification

Classification using the l ₂-norm-based representation is usually computationally efficient and is able to obtain high accuracy in the recognition of faces. Among l ₂-norm-based representation methods, linear regression classification (LRC) and collaborative representation classification (CRC) have been widely used. LRC and CRC produce residuals in very different ways, but they both use residuals to perform classification. Therefore, by combining the residuals of these two methods, better performance for face recognition can be achieved. In this paper, a simple weighted sum based fusion scheme is proposed to integrate LRC and CRC for more accurate recognition of faces. The rationale of the proposed method is analyzed. Face recognition experiments illustrate that the proposed method outperforms LRC and CRC.     

局部修复码的最优构造

分布式存储系统采用冗余策略来确保数据的可靠性和可用性,局部修复码(locally repairable codes,LRC)引起了广泛的关注,极大地减少了数据修复过程中所连接的节点数,在数据存储中作用极大。每个信息码元可以从其他t个不相交的集合中修复,且每个集合大小为r,称此类码具有(r,t)局部度。从校验矩阵入手,提出两种构造具有(r,t)局部度的LRC的方法。方法一利用λ=1的非循环相对差集(relative difference sets,RDS)构造关联矩阵,方法二提出了利用酉设计构造关联矩阵,均在关联矩阵的右侧添加单位矩阵,构造LRC的校验矩阵。两种方法构造的LRC均是一个修复集中包含一个校验节点,并且可以达到任意(r,t)局部度。理论分析表明,构造的两种码的最小距离均满足最小距离界,证明了两种码均是最优的LRC。非循环相对差集构造的码的信息率为1/2,酉设计构造的码的码率在一定条件下高于1/2,码率为r/r+t。     

唐诗宋词中的超网络特性分析

目前,唐诗宋词在文学角度的研究成果较多,然而采用基于超图的超网络方法对唐诗宋词进行研究的成果较少,且仅有的这种研究局限于对字频和词频的研究。采用超网络数据分析方法对唐诗宋词进行分析研究有助于探索传统文学角度无法涉及的广度,也有助于发现唐诗宋词所折射出来的文学组词规律和时代背景。因此,首先基于全唐诗和全宋词这两个古文本语料库,分别建立了唐诗超网络和宋词超网络。在构建该超网络时,将一首诗或一首词作为超边,将唐诗中的字或宋词中的字作为超边内的节点。然后,对唐诗超网络和宋词超网络的拓扑指标和网络特性,如节点超度、节点超度分布、超边节点度、超边节点度分布,进行了实验分析,旨在发现唐代诗人和宋代词人的用字、用词和审美倾向。最后,基于李白诗词集、杜甫诗词集、苏轼诗词集、辛弃疾诗词集的诗词作品构建了作品集超网络,并计算了相关网络参数。分析结果表明,唐诗宋词超网络中的最大超度与最小超度相差较大,且其超度分布近似为幂律分布,该结果表明唐诗宋词超网络的无标度特性。另外,唐诗宋词超网络的超边节点度也存在明显的分布特性,具体来说,唐诗超网络的超边节点度较多分布在20~100,宋词超网络的超边节点度较多分布30~130。并且,通过分析发现作品集超网络具有较小的平均路径长度和较大的集聚系数,该结果反映作品集超网络具有小世界特性。