Tách Nguồn Âm Thanh Dựa Trên Tiếp Cận Học Máy

Tài liệu nghiên cứu Tách nguồn âm thanh dựa trên tiếp cận học máy, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Thẩm Quốc Dũng
• Người hướng dẫn: PGS. Huỳnh Tường Nguyên
• Trường học: Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Tách Nguồn Âm Thanh Dựa Trên Tiếp Cận Học Máy
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Tách Nguồn Âm Thanh Dựa Trên Học Máy 58 Ký Tự

Tăng cường chất lượng âm thanh và tách nguồn âm thanh là hai bài toán quan trọng trong xử lý tín hiệu số. Tăng cường âm thanh nhằm loại bỏ nhiễu, tạp âm, hoặc khôi phục tín hiệu bị méo. Tách nguồn âm thanh (Audio Source Separation) hướng tới việc trích xuất các nguồn âm thanh riêng biệt từ một tín hiệu hỗn hợp. Hai loại tín hiệu được quan tâm nhiều nhất là giọng nói và âm nhạc. Luận văn này tập trung vào tách nguồn nhạc sử dụng các giải thuật học máy. Các phương pháp học máy gần đây cho kết quả tốt hơn so với các phương pháp truyền thống. Việc lựa chọn hướng tiếp cận phù hợp dựa trên tài nguyên sẵn có được xem xét kỹ lưỡng. Ví dụ, việc sử dụng deep learning tách âm có thể mang lại hiệu quả cao nhưng đòi hỏi nguồn lực tính toán lớn.

1.1. Ứng Dụng Thực Tế Của Tách Nguồn Âm Thanh Học Máy

Tách nguồn âm thanh học máy có nhiều ứng dụng thực tiễn. Trong lĩnh vực giọng nói, kỹ thuật này giúp cải thiện hiệu suất của các hệ thống nhận diện tiếng nói tự động (ASR), đặc biệt trong môi trường ồn ào. Đối với âm nhạc, nó cho phép phân tách một bản nhạc thành các thành phần riêng lẻ như giọng hát, guitar, piano, v.v. (các stems). Ứng dụng này hữu ích cho các thuật toán truy xuất thông tin nhạc (MIR), karaoke, hòa âm phối khí, và các ứng dụng khác trong lĩnh vực giải trí. Như được đề cập trong tài liệu, tách giọng nói có thể được sử dụng để cải thiện chất lượng cuộc gọi VoIP.

1.2. Phạm Vi Nghiên Cứu Tập Trung Vào Tách Nguồn Nhạc

Luận văn này tập trung vào bài toán tách nguồn nhạc dựa trên các phương pháp học máy và sử dụng các tập dữ liệu mở. Mục tiêu là nghiên cứu tổng quan, khảo sát các phương pháp tiếp cận trước đây, tìm kiếm nguồn dữ liệu phù hợp và đánh giá hiệu năng của các mô hình tiêu biểu. Việc đánh giá hiệu năng này giúp nhóm nghiên cứu có cơ sở để lựa chọn hướng tiếp cận phù hợp với điều kiện tài nguyên hiện có và đề xuất các hướng phát triển cho bài toán trong tương lai. Điều này bao gồm việc tìm hiểu về các mô hình học máy tách âm hiện có và xác định các điểm mạnh và điểm yếu của chúng.

II. Vấn Đề và Thách Thức Trong Tách Nguồn Âm Thanh 56 Ký Tự

Mặc dù có nhiều tiến bộ, tách nguồn âm thanh vẫn đối mặt với nhiều thách thức. Sự phức tạp của tín hiệu âm thanh hỗn hợp, sự đa dạng của các nguồn âm và sự chồng chéo về tần số gây khó khăn cho việc tách chính xác. Các phương pháp truyền thống thường gặp hạn chế khi xử lý các tín hiệu phức tạp. Do đó, việc áp dụng các kỹ thuật học sâu tách âm đòi hỏi phải có kiến trúc mô hình phù hợp và dữ liệu huấn luyện đủ lớn. Ngoài ra, việc đánh giá hiệu năng của các hệ thống tách âm thanh cũng là một vấn đề, cần có các chuẩn đo khách quan và chủ quan để đánh giá chất lượng.

2.1. Khó Khăn Trong Việc Xử Lý Âm Thanh Hỗn Hợp Phức Tạp

Âm thanh hỗn hợp thường chứa nhiều nguồn âm thanh khác nhau, chồng chéo lên nhau về thời gian và tần số. Điều này gây khó khăn cho việc phân tách chính xác các thành phần riêng lẻ. Ví dụ, trong một bản nhạc, âm thanh của nhiều nhạc cụ có thể hòa trộn lẫn nhau, khiến cho việc tách nhạc cụ trở nên phức tạp. Các phương pháp truyền thống thường dựa vào các giả định đơn giản về tín hiệu, do đó không thể xử lý tốt các tín hiệu phức tạp này. Các mô hình deep learning tách âm có thể giải quyết vấn đề này bằng cách học các biểu diễn phức tạp của tín hiệu âm thanh.

2.2. Yêu Cầu Về Dữ Liệu Huấn Luyện Lớn Cho Học Sâu

Các phương pháp học sâu tách âm thường đòi hỏi lượng dữ liệu huấn luyện lớn để đạt được hiệu năng tốt. Việc thu thập và gán nhãn dữ liệu âm thanh có thể tốn kém và mất thời gian. Hơn nữa, dữ liệu huấn luyện cần phải đa dạng để mô hình có thể tổng quát hóa tốt cho các tín hiệu âm thanh khác nhau. Các kỹ thuật như tăng cường dữ liệu (data augmentation) có thể được sử dụng để tạo ra thêm dữ liệu huấn luyện từ dữ liệu hiện có. Bên cạnh đó, các phương pháp semi-supervised learning tách âm cũng có thể giúp tận dụng dữ liệu không được gán nhãn.

2.3. Đánh Giá Hiệu Năng Của Hệ Thống Tách Âm Thanh Vấn Đề Nan Giải

Việc đánh giá hiệu năng của các hệ thống tách âm thanh là một thách thức, vì chất lượng âm thanh là một khái niệm chủ quan. Các chuẩn đo khách quan như Signal-to-Distortion Ratio (SDR), Signal-to-Interference Ratio (SIR) và Signal-to-Artifacts Ratio (SAR) có thể được sử dụng để đánh giá chất lượng của tín hiệu được tách ra. Tuy nhiên, các chuẩn đo này không phải lúc nào cũng tương quan tốt với cảm nhận của con người. Do đó, các đánh giá chủ quan, chẳng hạn như các bài kiểm tra nghe, cũng cần thiết để đánh giá toàn diện chất lượng của hệ thống tách âm.

III. Phương Pháp Tách Nguồn Nhạc Hiệu Quả Mô Hình eCMU 54 Ký Tự

Một phương pháp được đề xuất trong luận văn là mô hình eCMU, một khung hiệu quả cho tách nguồn nhạc. Phương pháp này tập trung vào việc cải thiện khả năng mô hình hóa pha của tín hiệu âm thanh, một yếu tố quan trọng nhưng thường bị bỏ qua trong các phương pháp trước đây. Mô hình eCMU sử dụng kiến trúc Conformer để tận dụng cả thông tin cục bộ và toàn cục của tín hiệu âm thanh. Kết quả thí nghiệm cho thấy mô hình eCMU đạt được hiệu năng tốt hơn so với các phương pháp khác trên tập dữ liệu MusDB18-HQ. Mô hình này sử dụng time-frequency masking tách âm.

3.1. Kiến Trúc Conformer Tối Ưu Cho Tách Nguồn Âm Thanh

Mô hình eCMU sử dụng kiến trúc Conformer, kết hợp các ưu điểm của cả Convolutional Neural Networks (CNNs) và Transformers. CNNs có khả năng nắm bắt thông tin cục bộ, trong khi Transformers có khả năng nắm bắt các mối quan hệ xa. Kiến trúc Conformer cho phép mô hình eCMU tận dụng cả hai loại thông tin này để cải thiện hiệu năng tách âm thanh. Theo luận văn, "Kiến trúc tổng quát của một khối conformer và các mô-đun tương ứng" cho thấy khả năng tích hợp linh hoạt của các thành phần khác nhau.

3.2. Cải Thiện Mô Hình Hóa Pha Trong Tách Nguồn Nhạc

Pha của tín hiệu âm thanh mang thông tin quan trọng về cấu trúc của tín hiệu. Tuy nhiên, nhiều phương pháp tách nguồn âm thanh trước đây thường bỏ qua hoặc không mô hình hóa pha một cách hiệu quả. Mô hình eCMU tập trung vào việc cải thiện khả năng mô hình hóa pha của tín hiệu âm thanh bằng cách sử dụng các kỹ thuật xử lý tín hiệu đặc biệt. Điều này giúp mô hình eCMU tạo ra các tín hiệu được tách ra có chất lượng cao hơn. Mô hình này cũng có thể áp dụng các kỹ thuật signal processing tách âm để cải thiện hiệu quả.

IV. Tách Nguồn Nhạc Đa Mục Tiêu Dựa Trên Mạng ResUnet 52 Ký Tự

Luận văn cũng đề xuất một phương pháp tách nguồn nhạc đa mục tiêu dựa trên mạng ResUnet. Phương pháp này được thiết kế để tách đồng thời nhiều nguồn âm thanh khác nhau từ một tín hiệu hỗn hợp. Mạng ResUnet sử dụng kiến trúc U-Net với các kết nối bỏ qua (skip connections) để cho phép thông tin được truyền trực tiếp từ các lớp đầu vào đến các lớp đầu ra. Phương pháp này đạt được kết quả tốt trên tập dữ liệu MusDB18-HQ. Mạng nơ-ron cho tách âm đã chứng minh khả năng vượt trội trong việc xử lý các tác vụ phức tạp.

4.1. Kiến Trúc Mạng ResUnet Với Kết Nối Bỏ Qua

Mạng ResUnet là một biến thể của kiến trúc U-Net, kết hợp các khối residual (ResBlocks) để giải quyết vấn đề biến mất gradient trong quá trình huấn luyện. Các kết nối bỏ qua (skip connections) cho phép thông tin được truyền trực tiếp từ các lớp đầu vào đến các lớp đầu ra, giúp mạng học các biểu diễn phức tạp của tín hiệu âm thanh. Kiến trúc này đặc biệt hữu ích cho tách âm thanh hỗn hợp, vì nó cho phép mạng duy trì thông tin về các nguồn âm thanh khác nhau trong suốt quá trình xử lý.

4.2. Tách Đồng Thời Nhiều Nguồn Âm Thanh Khác Nhau

Phương pháp tách nguồn nhạc đa mục tiêu có khả năng tách đồng thời nhiều nguồn âm thanh khác nhau từ một tín hiệu hỗn hợp. Điều này khác với các phương pháp tách âm thanh đơn mục tiêu, chỉ có thể tách một nguồn âm thanh tại một thời điểm. Phương pháp đa mục tiêu cho phép tạo ra các hệ thống linh hoạt hơn, có thể được sử dụng trong nhiều ứng dụng khác nhau. Ứng dụng của mô hình có thể được tìm thấy trong tách âm thanh AI trong âm nhạc.

V. Kết Luận và Hướng Nghiên Cứu Tương Lai 45 Ký Tự

Luận văn đã trình bày hai phương pháp tiếp cận hiệu quả cho bài toán tách nguồn âm thanh dựa trên học máy. Mô hình eCMU tập trung vào việc cải thiện khả năng mô hình hóa pha của tín hiệu âm thanh, trong khi phương pháp đa mục tiêu dựa trên mạng ResUnet cho phép tách đồng thời nhiều nguồn âm thanh khác nhau. Các kết quả thí nghiệm cho thấy cả hai phương pháp đều đạt được hiệu năng tốt trên tập dữ liệu MusDB18-HQ. Hướng nghiên cứu trong tương lai bao gồm việc khám phá các kiến trúc mô hình mới và các kỹ thuật huấn luyện tiên tiến hơn, cũng như việc áp dụng các phương pháp này cho các bài toán xử lý âm thanh khác.

5.1. Đánh Giá Tổng Quan Về Các Phương Pháp Đã Nghiên Cứu

Cả hai phương pháp được trình bày trong luận văn đều có những ưu điểm và nhược điểm riêng. Mô hình eCMU có hiệu năng tốt hơn trong việc tách âm thanh với độ chính xác cao, trong khi phương pháp đa mục tiêu linh hoạt hơn và có thể được sử dụng trong nhiều ứng dụng khác nhau. Việc lựa chọn phương pháp phù hợp phụ thuộc vào yêu cầu cụ thể của từng ứng dụng. Sự phát triển của giải thuật tách nguồn âm thanh đang tạo ra nhiều cơ hội mới.

5.2. Hướng Phát Triển Cho Tách Nguồn Âm Thanh Trong Tương Lai

Trong tương lai, có nhiều hướng phát triển tiềm năng cho tách nguồn âm thanh. Một hướng là khám phá các kiến trúc mô hình mới, chẳng hạn như Transformers hoặc các mạng generative adversarial (GANs). Một hướng khác là phát triển các kỹ thuật huấn luyện tiên tiến hơn, chẳng hạn như huấn luyện tự giám sát (self-supervised learning) hoặc học tăng cường (reinforcement learning). Ngoài ra, việc áp dụng các phương pháp tách âm thanh cho các bài toán xử lý âm thanh khác, chẳng hạn như tăng cường âm thanh (audio enhancement) hoặc nhận dạng âm thanh (audio classification), cũng là một hướng nghiên cứu hứa hẹn.

Trích đoạn nội dung tài liệu

Chương 1 - Giới thiệu tổng quát về bài toán, động lực, mục tiêu nghiên cứu; Chương 2 - Trình bày những kiến thức nền cơ bản liên quan đến Âm thanh và Xử lý tín hiệu âm thanh; Chương 3 - Trình bày tổng quan nghiên cứu, khảo sát các phương pháp tiếp cận, các tập dữ liệu, chuẩn đo đánh giá kết quả của một vài phương pháp điển hình cũng như là những đề xuất hướng phát triển cho luận văn này; Chương 4 - Trình bày mục tiêu, đóng góp cải tiến, nội dung phương pháp và phân tích kết quả đạt được cho phương pháp đề xuất thứ nhất eCMU; Chương 5 - Trình bày động lực, những đóng góp cải tiến, nội dung phương pháp và phân tích kết quả đạt được cho phương pháp mô hình đa mục tiêu; Chương 6 - Tổng kết các kết quả đạt được, những hạn chế cũng như định hương phát triển trong tương lai. 2 KIẾN THỨC NỀN TẢNG Chương 2 Kiến thức nền tảng 2.1 Xử lý tín hiệu âm thanh 2.1 Âm thanh và Sóng âm Âm thanh chúng ta nghe được hằng ngày là kết quả từ quá trình dao động cơ học của các vật thể, ví dụ như: dây đàn, bề mặt trống, dây thanh của con người,. Chính sự dao động này làm cho các phân tử không khí xung quanh nó chuyển động, việc chuyển động của các phân tử không khí làm cho áp suất không khí dao động tăng hoặc giảm theo một mô hình nhất định, lan truyền dưới dạng sóng trong không khí đến tai người. Các bộ phận trong tai người sẽ tiếp nhận, xử lý và chuyển đổi sóng thành các xung thần kinh, các xung thần kinh này tiếp tục truyền đến và được hiểu bởi bộ não.

Về mặt trực quan, sự thay đổi áp suất không khí tại một điểm nhất định có thể biểu diễn Hình 2.1: Ví dụ minh hoạ về sự rung của âm thoa dẫn đến sự dao động qua lại của các phân tử trong không khí, lan truyền dưới dạng sóng dọc. Biểu đồ hình sóng hiển thị độ lệch của áp suất không khí so với áp suất không khí trung bình tại một vị trí cụ thể theo thời gian. 3 KIẾN THỨC NỀN TẢNG bằng biểu đồ áp suất-thời gian, hay còn được gọi là dạng sóng của âm thanh (waveform). Dạng sóng thể hiện độ lệch của áp suất không khí so với áp suất không khí trung bình (hình 2.

Một sóng cơ học có thể được mô tả như một dao động truyền trong không gian, nơi năng lượng được truyền từ điểm này sang điểm khác. Khi có sóng truyền qua môi trường nào đó, chất của môi trường này bị biến dạng tạm thời. Như đã mô tả ở trên, sóng âm thanh truyền qua các phân tử không khí va chạm với các phân tử xung quanh của chúng. Sau khi các phân tử không khí va chạm, chúng bật ra khỏi nhau.

Điều này ngăn các phân tử tiếp tục di chuyển theo hướng của sóng. Thay vào đó, chúng dao động xung quanh các vị trí gần như cố định. Nếu các phân tử dao động vuông góc với phương truyền năng lượng, ta gọi đó là sóng ngang. Còn trong trường hợp, các phân tử dao động song song với phương truyền sóng, ta gọi đó là sóng dọc.

Về mặt toán học, sóng là dao động điều hoà được biểu diễn bằng hàm sin: y(t) = A sin(2πf t + ϕ) (2.1) trong đó - f là tần số, A là biên độ, ϕ là pha dao động ban đầu, khi đó y(t) là biên độ dao động tại thời điểm t. • Pha dao động ban đầu (ϕ ∈ [−π, π]): độ lệch của sóng, cho chúng ta biết vị trí của sóng tại thời điểm t = 0 Hình 2.2: Ví dụ minh hoạ cho dạng sóng của âm thanh được biểu diễn dưới dạng đồ thị áp suất - thời gian. 4 KIẾN THỨC NỀN TẢNG Hình 2.3: Đồ thị sóng hình sin với tần số dao động 4 Hz.2 Tần số và Cao độ Tần số của sóng hình sin càng cao thì âm thanh càng cao. Dải tần số có thể nghe được đối với con người là từ khoảng 20 Hz đến 20,000 Hz (20 kHz).

Các loài động vật khác nhau có phạm vi thính giác khác nhau. Ví dụ: cận trên trong phạm vi thính giác của chó là khoảng 45 kHz, của mèo là 64 kHz, thậm chí dơi có thể phát hiện tần số vượt quá 100 kHz. Đây là lý do tại sao người ta có thể sử dụng một chiếc còi cho chó, phát ra âm thanh siêu âm vượt quá khả năng nghe của con người, để huấn luyện và ra lệnh cho những con vật không làm phiền những người xung quanh. Độ cao (pitch) là một đặc trưng mang tính chất chủ quan của âm thanh, khái niệm dùng cho sự cảm nhận âm thanh.

Tai người không cảm nhận âm thanh một cách tuyến tính mà phi tuyến theo hàm số logarit. Hai tần số được cảm nhận tương tự nhau nếu chúng khác nhau 2n. Ví dụ nốt A3 (220 Hz) và A4 (440 Hz) được cảm nhận là như nhau. Đặc tính này của âm thanh được dùng để chia một quãng tám thành 12 quãng nửa cung bằng nhau.

Mối quan hệ giữa tần số và độ cao được biểu diễn bằng hàm số: F (p) = 2(p−69)/12 .2) trong đó - p ∈ [0, 127] chỉ số nốt MIDI (chỉ sổ nốt của C4 là 60, A4 là 69), F (p) là tần số trung tâm tương ứng với chỉ số nốt MIDI p. Ta có tính chất F (p + 12) = 2F (p) và F (p + 1)/F (p) = 212 ≈ 1. Như vậy, khi nhân tần số bất kì với hệ số trên đồng nghĩa với việc ta sẽ dịch độ cao tương ứng lên nửa cung. Tổng quát hơn, người ta dùng khái niệm cent như một đơn vị nhỏ hơn để đo sự khác nhau về cảm nhận âm thanh giữa hai tần số bất kỳ.

Cụ thể, mỗi một quãng tám được chia thành 1200 cents, đồng nghĩa mỗi một nửa cung = 100 cents. Khi đó, sự khác nhau giữa hai tần số được tính bằng: ω1 log2 ( ).3) ω2 Khoảng cách giữa một cent là khá nhỏ để có thể nghe ra được. Việc này phụ thuộc vào khả năng cảm âm của mỗi người và theo độ tuổi. Ngưỡng có thể cảm nhận được (just noticeable difference) là từ 10 cents với những người đã trải qua việc luyện cảm âm hoặc có năng khiếu bẩm sinh, còn người trưởng thành bình thường là 25 cents.

Âm thanh trong tự nhiên là sóng tổng hợp từ nhiều sóng với các tần số dao động khác nhau. Trong đó bao gồm sóng dao động với tần số cơ bản f0 (tần số dao động thấp nhất) và các thành phần sóng hamornic với tần số bằng bội số nguyên của tần số cơ bản (f1 = 2. Thông thường, độ cao của sóng được quy định bởi tần số cơ bản. Ngoài ra, tập hợp các thành phần sóng ngoại trừ f0 còn được gọi là bội âm (overtone).

5 KIẾN THỨC NỀN TẢNG Bảng 2.1: Bảng thống kế cường độ âm và mức cường độ âm của các nguồn âm thanh điển hình Nguồn âm Cường độ âm (W/m2 ) Mức cường độ âm (dB) × TOH Ngưỡng nghe (TOH) 10−12 0 1 Tiếng thì thầm 10−10 20 102 Đối thoại thông thường 10−6 60 106 Ngưỡng đau (TOP) 10 130 1013 Động cơ máy bay 102 140 1014 Ngưỡng gây điếc 104 160 1016 2.3 Cường độ âm - Công suất và Độ to Công suất là mức năng lượng được truyền đi, sử dụng hoặc chuyển hóa, đơn vị đo là Watt (W). Tương tự, công suất âm thanh cho biết mức năng lượng trên một đơn vị thời gian được phát ra bởi một nguồn âm thanh truyền theo mọi hướng trong không khí. Khi đó, khái niệm Cường độ âm được dùng để thể hiện công suất âm thanh trên một đơn vị diện tích (W/m2 ). Trong thực tế, tai người có thể cảm nhận được âm thanh với giá trị cường độ âm rất nhỏ hay còn gọi là ngưỡng nghe (threshold of hearing - TOH), IT OH = 10−12 (W/m2 ).

Tương tự, ngưỡng đau (threshold of pain - TOP) là giá trị cường độ âm có thể gây đau cho người, IT OP = 10(W/m2 ). Mức cường độ âm (đơn vị: decibel - dB) cho biết tỷ lệ giữa hai giá trị cường độ âm trong thang đo logarit.1 thống kê giá trị cường độ âm và mức cường độ âm tương ứng của các nguồn âm thanh khác nhau.4) IT OH Độ to của âm thanh là cách cảm nhận chủ động về cường độ âm. Độ to không chỉ phụ thuộc vào cường độ âm mà còn phụ thuộc vào khoảng thời gian và tần số âm thanh. Ngoài ra, còn phụ thuộc vào độ tuổi.

Đơn vị đo là phon.4 là kết quả thí nghiệm cho thấy sự phụ thuộc giữa độ to âm thanh với tần số và mức cường độ âm, trên hình thể hiện những đường viền mà mỗi điểm trên đường viền đó sẽ có độ to âm thanh như nhau. Đơn vị phon được chuẩn hoá tại mức tần số 1000 Hz, trong đó giá trị phon bằng với giá trị mức cường độ âm.4 Âm sắc Hay còn gọi là màu sắc âm thanh, là đặc tính của âm thanh giúp chúng ta có thể phân biệt được âm thanh của các loại nhạc cụ khác nhau, hay tổng quát hơn là hai âm thanh có cùng tần số, cùng cường độ và cùng khoảng thời gian. Âm sắc là một khái niệm đa chiều khó để đo lường, các nhà nghiên cứu đã cố gắng tiếp cận âm sắc bằng cách xem xét các mối tương quan với các đặc điểm âm thanh như quá trình phát triển của âm thanh, các thành phần âm thanh và sự phân bố năng lượng của chúng. Quá trình phát triển của âm thanh (sound envelope) có thể mô tả bởi mô hình ADSR (A - Attack, D - Decay, S - Sustain, R - Release).

Các loại nhạc cụ khác nhau thì có quá trình phát triển âm thanh cũng khác nhau.5b khi nốt C4 vang lên bằng piano và violin tương ứng, ta có thể thấy đối với piano biên độ tăng mạnh khi 6 KIẾN THỨC NỀN TẢNG Hình 2.4: Các đường thể hiện độ to ngang nhau theo tần số và cường độ âm.5: Waveform, amplitude envelope búa gõ vào dây đàn, sau đó biên độ sẽ giảm từ từ và duy trì ở một mức nhất định và tiêu biến khi phím đàn được thả. Còn trong trường hợp âm thanh tạo ra bởi violin, vì giai điệu được phát nhẹ nhàng với âm lượng tăng dần nên giai đoạn (A) được dàn trải, không có giai đoạn (D) và giai đoạn (S) dao động không ổn định. Giai đoạn (R) xảy ra khi nhạc công ngừng kéo dây đàn. Âm thanh sau đó nhỏ dần nhanh chóng.