哼唱识别如何工作 —— 从脑子里的旋律到匹配出歌名
Shazam 做不到、SoundHound 做到的事
市面上绝大多数识曲 App 的核心逻辑是：采集一段外部播放的音乐 → 提取音频指纹 → 与专业录音的指纹库比对。这套逻辑非常高效，但有一个死穴：只能识别"此刻正在播放"的音乐。
如果一首歌已经播完了、或者你只记得脑子里的旋律但没人在放，Shazam 这类应用就束手无策了。
SoundHound 的哼唱识别（有时也叫"Query by Humming"）解决的就是这个问题。它不依赖外部音源，直接把你的人声作为输入源。
哼唱识别 vs 听音识曲：输入完全不同
| 听音识曲 | 哼唱识别 | |
|---|---|---|
| 输入源 | 外部播放的音乐（扬声器、收音机、电视） | 用户自己的人声（哼唱、唱歌） |
| 采集方式 | 点橙色按钮，听周围的声音 | 点橙色按钮，听自己哼 |
| 匹配逻辑 | 音频指纹比对 | 音高-节奏特征比对 |
| 成功率 | 高（音源清晰时） | 中高（取决哼唱质量） |
| 解决的场景 | "这是什么歌在放？" | "我只记得这段旋律" |
哼唱识别的匹配过程（四步）
第一步：捕捉音高变化
SoundHound 不会分析你的"音色"或"音质"——它只关心一个东西：你唱的音高是怎么变化的。从最低到最高的那个音、每个音持续了多久、音与音之间跳了多少度。
把这些信息串起来，就得到一条音高曲线（Pitch Contour）——像心电图一样，横轴是时间，纵轴是音高。
第二步：捕捉节奏特征
光有音高轮廓还不够——同样的音高序列，用华尔兹节奏和用摇滚节奏唱，应该匹配不同的歌。SoundHound 同时会分析音符之间的时间间隔，生成节奏向量。
第三步：组合成特征向量
音高曲线 + 节奏向量组合成一条数学特征描述，这就是 SoundHound 对你哼唱内容的"理解"。
第四步：模糊匹配数据库
这才是 SoundHound 的技术核心——它的数据库不是只有音频指纹，还有用大量普通人的哼唱样本标注过的音高-节奏特征。比对时不追求 100% 匹配，而是算相似度，取 top N 候选让你选。
为什么允许你"跑调"
这是 Sound2Sound 设计里最聪明的地方：它故意忽略音色信息。不管你是男是女、音高偏高还是偏低、唱得准不准——只要旋律轮廓（升-降、高-低的相对关系）是对的，就有机会匹配上。
官方帮助中心甚至写了一句很接地气的话："Don't worry... you don't have to sound like Mariah or Beyoncé!"（别担心，你不用唱得像 Mariah 或 Beyoncé 一样）。
数据库怎么来的
SoundHound 的哼唱识别能力不是凭空出现的。从 2005 年起，它就开始收集用户贡献的哼唱样本，用于训练和测试匹配算法。同时，它还会从专业录音中提取"理想"的音高-节奏特征作为基准。
现在的数据库覆盖了数千万首歌曲，理论上任何流行过的歌曲都应该在里面有标记。