merge: branch 'gitbook' of https://github.com/alikia2x/cvsa into gitbook
This commit is contained in:
commit
cc41aa45b1
GPG Key ID:
56209E0CCD8420C6
@ -1,6 +1,6 @@
|
||||
---
|
||||
icon: hand-wave
|
||||
description: 「中V档案馆」 (CVSA) 是一个收录中文歌声合成文化圈有关信息的网站。
|
||||
icon: hand-wave
|
||||
layout:
|
||||
title:
|
||||
visible: true
|
||||
@ -16,10 +16,10 @@ layout:
|
||||
|
||||
# 欢迎
|
||||
|
||||
欢迎阅读CVSA文档！
|
||||
欢迎阅读中V档案馆文档！
|
||||
|
||||
该文档包含有关中V档案馆项目的各种信息，包括本项目的有关信息、技术架构、访客指南、API文档等。
|
||||
|
||||
### 导航
|
||||
|
||||
<table data-view="cards"><thead><tr><th></th><th></th><th data-hidden data-card-cover data-type="files"></th><th data-hidden></th><th data-hidden data-card-target data-type="content-ref"></th></tr></thead><tbody><tr><td><strong>关于本项目</strong></td><td>一些你可能想知道的…</td><td></td><td></td><td><a href="about/this-project.md">this-project.md</a></td></tr><tr><td><strong>技术架构</strong></td><td>关于本项目的技术细节</td><td></td><td></td><td><a href="broken-reference">Broken link</a></td></tr><tr><td><strong>API 文档</strong> </td><td>中V档案馆公开 API 的文档</td><td></td><td></td><td><a href="broken-reference">Broken link</a></td></tr><tr><td><strong>项目地址</strong></td><td>在 <a href="https://github.com/alikia2x/cvsa">GitHub</a> 或 <a href="https://gitee.com/alikia/cvsa">Gitee</a> 上查看本项目</td><td></td><td></td><td><a href="https://gitee.com/alikia/cvsa">https://gitee.com/alikia/cvsa</a></td></tr><tr><td>🇺🇸 English Version</td><td>Hint: There's a language switcher on the top-left corner, just to the right of the logo.</td><td></td><td></td><td><a href="https://app.gitbook.com/o/ZRcyqFK0ovlJduZb50X0/s/89Gi0XfqMigoQkEYJZZl/">CVSA Doc English</a></td></tr></tbody></table>
|
||||
<table data-view="cards"><thead><tr><th></th><th></th><th data-hidden data-card-target data-type="content-ref"></th></tr></thead><tbody><tr><td><strong>关于本项目</strong></td><td>一些你可能想知道的…</td><td><a href="about/this-project.md">this-project.md</a></td></tr><tr><td><strong>技术架构</strong></td><td>关于本项目的技术细节</td><td><a href="broken-reference">Broken link</a></td></tr><tr><td><strong>API 文档</strong> </td><td>中V档案馆公开 API 的文档</td><td><a href="broken-reference">Broken link</a></td></tr><tr><td>🇺🇸 English Version</td><td>Tip: There is a language selector in the header.</td><td><a href="https://app.gitbook.com/o/ZRcyqFK0ovlJduZb50X0/s/89Gi0XfqMigoQkEYJZZl/">CVSA Doc English</a></td></tr><tr><td><strong>项目地址</strong></td><td>在 <a href="https://github.com/alikia2x/cvsa">GitHub</a> 或 <a href="https://gitee.com/alikia/cvsa">Gitee</a> 上查看本项目</td><td><a href="https://gitee.com/alikia/cvsa">https://gitee.com/alikia/cvsa</a></td></tr><tr><td><strong>网站</strong></td><td>我们新上线的测试网站，查看目前数据库中的信息</td><td><a href="https://projectcvsa.com">https://projectcvsa.com</a></td></tr></tbody></table>
|
||||
|
||||
@ -9,12 +9,12 @@
|
||||
|
||||
## 技术架构 <a href="#architecture" id="architecture"></a>
|
||||
|
||||
- [概览](architecture/overview.md)
|
||||
- [数据库结构](architecture/database-structure/README.md)
|
||||
- [歌曲类型](architecture/database-structure/type-of-song.md)
|
||||
- [人工智能](architecture/artificial-intelligence.md)
|
||||
- [消息队列](architecture/message-queue/README.md)
|
||||
- [LatestVideosQueue 队列](architecture/message-queue/latestvideosqueue-dui-lie.md)
|
||||
* [概览](architecture/overview.md)
|
||||
* [Crawler 模块介绍](architecture/crawler.md)
|
||||
* [数据库结构](architecture/database-structure/README.md)
|
||||
* [歌曲类型](architecture/database-structure/type-of-song.md)
|
||||
* [snapshot\_schedule 表](architecture/database-structure/table-snapshot_schedule.md)
|
||||
* [机器学习](architecture/machine-learning.md)
|
||||
|
||||
## API 文档 <a href="#api-doc" id="api-doc"></a>
|
||||
|
||||
|
||||
@ -1,22 +1,32 @@
|
||||
# 收录范围
|
||||
|
||||
中V档案馆收录许多有关中文歌声合成的内容，包括歌曲、专辑、艺术家（发布者、调校师、编曲者等）、歌手以及引擎/声库。 
|
||||
中V档案馆收录许多有关中文歌声合成的内容，包括歌曲、专辑、艺术家（发布者、调校师、编曲者等）、歌手以及引擎/声库。
|
||||
|
||||
对于一首**歌曲**，必须满足以下条件才能被收录到中V档案馆中：
|
||||
对于一首**歌曲**，必须满足以下两个条件才能被收录到中V档案馆中：
|
||||
|
||||
#### VOCALOID·UATU 分区
|
||||
### 至少一行中文/中文虚拟歌手
|
||||
|
||||
原则上，中V档案馆中收录的歌曲必须包含在哔哩哔哩 VOCALOID·UTAU
|
||||
分区（分区ID为30）下的视频中。在某些特殊情况下，此规则可能不是强制的。
|
||||
歌曲歌词必须至少包含一行中文。否则，如果歌曲歌词不包含中文，则只有在使用中文虚拟歌手的情况下才会将其包含在中V档案馆中。
|
||||
|
||||
#### 至少一行中文
|
||||
我们对**中文虚拟歌手**的定义如下：
|
||||
|
||||
歌曲的歌词必须包含至少一行中文。这意味着，即使使用了仅支持中文的声库，如果歌曲的歌词中没有中文，也不会被收录到中V档案馆中（例如，跨语种调校）。
|
||||
1. 歌手主要使用中文声库（即歌手最广泛使用的声库是中文）。
|
||||
2. 歌手由位于中国大陆、香港、澳门或台湾的公司、组织、个人或团体运营。
|
||||
|
||||
#### 使用歌声合成器
|
||||
### 使用歌声合成器
|
||||
|
||||
歌曲的至少一行必须由歌声合成器生成（包括和声部分），才能被收录到中V档案馆中。
|
||||
歌曲的至少一行必须由歌声合成器合成（包括和声），才能被收录到中V档案馆中。
|
||||
|
||||
我们将歌声合成器定义为通过算法建模声音特征并根据输入的歌词、音高等参数生成音频的软件或系统，包括基于波形拼接的（如
|
||||
VOCALOID、UTAU）和基于 AI 的（如 Synthesizer V、ACE Studio）方法，**但不包括仅改变现有歌声音色的AI声音转换器**（例如
|
||||
[so-vits svc](https://github.com/svc-develop-team/so-vits-svc)）。
|
||||
我们将歌声合成器定义为通过算法建模声音特征并根据输入的歌词、音高等参数生成音频的软件或系统，包括基于波形拼接的（如VOCALOID 1\~5、UTAU）和基于 AI 的（如 Synthesizer V、ACE Studio）方法，**但不包括仅改变现有歌声音色的AI声音转换器**（例如[so-vits svc](https://github.com/svc-develop-team/so-vits-svc)）。
|
||||
|
||||
 
|
||||
|
||||
此外，歌曲必须出现在发布到哔哩哔哩中 VOCALOID·UTAU 分区下视频中，才能被我们的自动化程序观察到。我们欢迎编辑手动添加尚未上传到 bilibili或未归类到此类别的歌曲。
|
||||
|
||||
**新闻**
|
||||
|
||||
最近，哔哩哔哩似乎正在下线二级分区。这意味着VOCALOID·UTAU分区将无法从前端进入，创作者们也无法再将视频上传到该分区（只能选择“音乐区”）。
|
||||
|
||||
根据我们的实验，哔哩哔哩在后端仍然保留了二级分区的代码逻辑，新发布的歌曲可能仍在 VOCALOID·UTAU 分区中，相关API仍可正常工作。目前，有[报告](https://www.bilibili.com/opus/1041223385394184199)称部分新歌曲被归入了“音乐综合”子分区。。此外，我们观察到哔哩哔哩实际上并没有尊重创作者投稿时选择的分区，而是使用某种方法自动为视频分配分区。我们已经观察到有[稿件](https://www.bilibili.com/video/av114163368068672/)出现了被归类到非音乐区的问题。
|
||||
|
||||
我们仍在等待哔哩哔哩的后续行动，未来我们可能会调整自动化程序的抓取范围。
|
||||
|
||||
@ -6,33 +6,28 @@
|
||||
|
||||
纵观整个互联网，对于「中文歌声合成」或「中文虚拟歌手」（常简称为中V或VC）相关信息进行较为系统、全面地整理收集的主要有以下几个网站：
|
||||
|
||||
- [萌娘百科](https://zh.moegirl.org.cn/):
|
||||
收录了大量中V歌曲及歌姬的信息，呈现形式为传统维基（基于[MediaWiki](https://www.mediawiki.org/)）。
|
||||
- [VCPedia](https://vcpedia.cn/):
|
||||
由原萌娘百科中文歌声合成编辑团队的部分成员搭建，专属于中文歌声合成相关内容的信息集成站点[^1]，呈现形式为传统维基（基于[MediaWiki](https://www.mediawiki.org/)）。
|
||||
- [VocaDB](https://vocadb.net/):
|
||||
[一个围绕 Vocaloid、UTAU 和其他歌声合成器的协作数据库，其中包含艺术家、唱片、PV 等](#user-content-fn-2)[^2]，其中包含大量中文歌声合成作品。
|
||||
- [天钿Daily](https://tdd.bunnyxt.com/)：一个VC相关数据交流与分享的网站。致力于VC相关数据交流，定期抓取VC相关数据，选取有意义的纬度展示。
|
||||
* [萌娘百科](https://zh.moegirl.org.cn/): 收录了大量中V歌曲及歌姬的信息，呈现形式为传统维基（基于[MediaWiki](https://www.mediawiki.org/)）。
|
||||
* [VCPedia](https://vcpedia.cn/): 由原萌娘百科中文歌声合成编辑团队的部分成员搭建，专属于中文歌声合成相关内容的信息集成站点，呈现形式为传统维基（基于[MediaWiki](https://www.mediawiki.org/)）。
|
||||
* [VocaDB](https://vocadb.net/): [一个围绕 Vocaloid、UTAU 和其他歌声合成器的协作数据库，其中包含艺术家、唱片、PV 等](#user-content-fn-1)[^1]，其中包含大量中文歌声合成作品。
|
||||
* [天钿Daily](https://tdd.bunnyxt.com/)：一个VC相关数据交流与分享的网站。致力于VC相关数据交流，定期抓取VC相关数据，选取有意义的纬度展示。
|
||||
|
||||
上述网站中，或多或少存在一些不足，例如：
|
||||
|
||||
- 萌娘百科、VCPedia受限于传统维基，绝大多数内容依赖人工编辑。
|
||||
- VocaDB基于结构化数据库构建，由此可以依赖程序生成一些信息，但**条目收录**仍然完全依赖人工完成。
|
||||
- VocaDB主要专注于元数据展示，少有关于歌曲、作者等的描述性的文字，也缺乏描述性的背景信息。
|
||||
- 天钿Daily只展示歌曲的统计数据及历史趋势，没有关于歌曲其它信息的收集。
|
||||
* 萌娘百科、VCPedia受限于传统维基，绝大多数内容依赖人工编辑。
|
||||
* VocaDB基于结构化数据库构建，由此可以依赖程序生成一些信息，但**条目收录**仍然完全依赖人工完成。
|
||||
* VocaDB主要专注于元数据展示，少有关于歌曲、作者等的描述性的文字，也缺乏描述性的背景信息。
|
||||
* 天钿Daily只展示歌曲的统计数据及历史趋势，没有关于歌曲其它信息的收集。
|
||||
|
||||
因此，**中V档案馆**吸取前人经验，克服上述网站的不足，希望做到：
|
||||
|
||||
- 歌曲收录（指发现歌曲并创建条目）的完全自动化
|
||||
- 歌曲元信息提取的高度自动化
|
||||
- 歌曲统计数据收集的完全自动化
|
||||
- 在程序辅助的同时欢迎并鼓励贡献者参与编辑（主要为描述性内容）或纠错
|
||||
- 在适当的许可声明下，引用来自上述源的数据，使内容更加全面、丰富。
|
||||
* 歌曲收录（指发现歌曲并创建条目）的完全自动化
|
||||
* 歌曲元信息提取的高度自动化
|
||||
* 歌曲统计数据收集的完全自动化
|
||||
* 在程序辅助的同时欢迎并鼓励贡献者参与编辑（主要为描述性内容）或纠错
|
||||
* 在适当的许可声明下，引用来自上述源的数据，使内容更加全面、丰富。
|
||||
|
||||
---
|
||||
***
|
||||
|
||||
本文在[CC BY-NC-SA 4.0协议](https://creativecommons.org/licenses/by-nc-sa/4.0/)提供。
|
||||
|
||||
[^1]: 引用自[VCPedia](https://vcpedia.cn/%E9%A6%96%E9%A1%B5)，于[知识共享 署名-非商业性使用-相同方式共享 3.0中国大陆 (CC BY-NC-SA 3.0 CN) 许可协议](https://creativecommons.org/licenses/by-nc-sa/3.0/cn/)下提供。
|
||||
|
||||
[^2]: 翻译自[VocaDB](https://vocadb.net/)，于[CC BY 4.0协议](https://creativecommons.org/licenses/by/4.0/)下提供。
|
||||
[^1]: 翻译自[VocaDB](https://vocadb.net/)，于[CC BY 4.0协议](https://creativecommons.org/licenses/by/4.0/)下提供。
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
# 视频快照
|
||||
|
||||
{% openapi src="../.gitbook/assets/1.yaml" path="/video/{id}/snapshots" method="get" %}
|
||||
[1.yaml](../.gitbook/assets/1.yaml)
|
||||
{% openapi src="../.gitbook/assets/API-doc.yaml" path="/video/{id}/snapshots" method="get" %}
|
||||
[API-doc.yaml](../.gitbook/assets/API-doc.yaml)
|
||||
{% endopenapi %}
|
||||
|
||||
|
||||
@ -1,13 +0,0 @@
|
||||
# 人工智能
|
||||
|
||||
CVSA 的自动化工作流高度依赖人工智能进行信息提取和分类。
|
||||
|
||||
我们目前使用的 AI 系统有：
|
||||
|
||||
#### Filter
|
||||
|
||||
位于项目根目录下的 `/filter/`，它将 [30 分区](../about/scope-of-inclusion.md#vocaloiduatu-fen-qu) 中的视频分为以下类别：
|
||||
|
||||
- 0：与中文人声合成无关
|
||||
- 1：中文人声合成原创曲
|
||||
- 2：中文人声合成的翻唱/混音歌曲
|
||||
68
doc/zh/architecture/crawler.md
Normal file
68
doc/zh/architecture/crawler.md
Normal file
@ -0,0 +1,68 @@
|
||||
# Crawler 模块介绍
|
||||
|
||||
在中V档案馆的技术架构中，自动化是核心设计理念。`crawler` 模块负责整个数据采集流程，通过 [BullMQ](https://bullmq.io/) 实现任务的消息队列管理，支持高并发地处理多个采集任务。
|
||||
|
||||
系统的数据存储与状态管理采用了 Redis（用于缓存和实时数据）与 PostgreSQL（作为主数据库）的组合方式，确保了稳定性与高效性。
|
||||
|
||||
***
|
||||
|
||||
### 模块结构概览
|
||||
|
||||
#### `crawler/db` —— 数据库操作模块
|
||||
|
||||
负责与数据库的交互，提供创建、更新、查询等功能。
|
||||
|
||||
* `init.ts`：初始化 PostgreSQL 连接池。
|
||||
* `redis.ts`：配置 Redis 客户端。
|
||||
* `withConnection.ts`：导出 `withDatabaseConnection` 函数，用于包装数据库操作函数，提供数据库上下文。
|
||||
* 其他文件：每个文件对应数据库中的一张表，封装了该表的操作逻辑。
|
||||
|
||||
#### `crawler/ml` —— 机器学习模块
|
||||
|
||||
负责与机器学习模型相关的处理逻辑，主要用于视频内容的文本分类。
|
||||
|
||||
* `manager.ts`：定义了一个模型管理基类 `AIManager`。
|
||||
* `akari.ts`：实现了用于筛选歌曲视频的分类模型 `AkariProto`，继承自 `AIManager`。
|
||||
|
||||
#### `crawler/mq` —— 消息队列模块
|
||||
|
||||
整合 BullMQ，实现任务调度和异步处理。
|
||||
|
||||
**`crawler/mq/exec`**
|
||||
|
||||
该目录下包含了各类任务的处理函数。虽然这些函数并非 BullMQ 所直接定义的“worker”，但在文档中我们仍将其统一称为 **worker**（例如 `getVideoInfoWorker`、`takeBulkSnapshotForVideosWorker`）。
|
||||
|
||||
> **说明：**
|
||||
>
|
||||
> * `crawler/mq/exec` 中的函数称为 **worker**。
|
||||
> * `crawler/mq/workers` 中的函数我们称为 **BullMQ worker**。
|
||||
|
||||
**架构设计说明：**\
|
||||
由于 BullMQ 设计上每个队列只能有一个处理函数，我们通过 `switch` 语句在一个 worker 中区分并路由不同的任务类型，将其分发给相应的执行函数。
|
||||
|
||||
**`crawler/mq/workers`**
|
||||
|
||||
这个目录定义了真正的 BullMQ worker，用于消费对应队列中的任务，并调用具体的执行逻辑。
|
||||
|
||||
**`crawler/mq/task`**
|
||||
|
||||
为了保持 worker 函数的简洁与可维护性，部分复杂逻辑被抽离成独立的“任务（task）”函数，集中放在这个目录中。
|
||||
|
||||
#### `crawler/net` —— 网络请求模块
|
||||
|
||||
该模块用于与外部系统通信，负责所有网络请求的封装和管理。核心是 `net/delegate.ts` 中定义的 `NetworkDelegate` 类。
|
||||
|
||||
**`crawler/net/delegate.ts`**
|
||||
|
||||
这是我们进行大规模请求的主要实现，支持以下功能：
|
||||
|
||||
* 基于任务类型和代理的限速策略
|
||||
* 结合 serverless 架构，根据策略动态切换请求来源 IP
|
||||
|
||||
#### `crawler/utils` —— 工具函数模块
|
||||
|
||||
存放项目中通用的工具函数，供各模块调用。
|
||||
|
||||
#### `crawler/src` —— 主程序入口
|
||||
|
||||
该目录包含 crawler 的启动脚本。我们使用 [concurrently](https://www.npmjs.com/package/concurrently) 同时运行多个任务文件，实现并行处理。
|
||||
@ -2,14 +2,21 @@
|
||||
|
||||
CVSA 使用 [PostgreSQL](https://www.postgresql.org/) 作为数据库。
|
||||
|
||||
CVSA 设计了两个
|
||||
CVSA 设计了两个数据库，`cvsa_main` 和 `cvsa_cred`。前者用于存储可公开的数据，而后者则存储用户相关的个人信息（如登录凭据、账户管理信息等）。
|
||||
|
||||
CVSA 的所有公开数据（不包括用户的个人数据）都存储在名为 `cvsa_main` 的数据库中，该数据库包含以下表：
|
||||
|
||||
- songs：存储歌曲的主要信息
|
||||
- bilibili\_user：存储 Bilibili 用户信息快照
|
||||
- bilibili\_metadata：[分区 30](../../about/scope-of-inclusion.md#vocaloiduatu-fen-qu) 中所有视频的元数据
|
||||
- labelling\_result：包含由我们的 AI 系统 标记的 `all_data` 中视频的标签。
|
||||
- latest\_video\_snapshot：存储视频最新的快照
|
||||
- video\_snapshot：存储视频的快照，包括特定时间下视频的统计信息（播放量、点赞数等）
|
||||
- snapshot\_schedule：视频快照的规划信息，为辅助表
|
||||
* songs：存储歌曲的主要信息。
|
||||
* bilibili\_user：存储哔哩哔哩 UP主 的元信息。
|
||||
* bilibili\_metadata：我们收录的哔哩哔哩所有视频的元数据。
|
||||
* labelling\_result：包含由我们的机器学习模型标记的 `bilibili_metadata` 中视频的标签。
|
||||
* latest\_video\_snapshot：存储视频最新的快照。
|
||||
* video\_snapshot：存储视频的快照，包括特定时间下视频的统计信息（播放量、点赞数等）。
|
||||
* snapshot\_schedule：视频快照的规划信息，为辅助表。
|
||||
|
||||
> **快照：**
|
||||
>
|
||||
> 我们定期采集哔哩哔哩视频的播放量、点赞收藏数等统计信息，在一个给定时间点下某支视频的统计数据即为该视频的一个快照。
|
||||
|
||||
|
||||
|
||||
|
||||
@ -0,0 +1,43 @@
|
||||
# snapshot\_schedule 表
|
||||
|
||||
该表用于记录视频快照任务的调度信息。
|
||||
|
||||
### 字段说明
|
||||
|
||||
| 字段名 | 类型 | 是否为空 | 默认值 | 描述 |
|
||||
| ------------- | -------------------------- | ---- | ------------------------------------- | ------------ |
|
||||
| `id` | `bigint` | 否 | `nextval('snapshot_schedule_id_seq')` | 主键，自增ID |
|
||||
| `aid` | `bigint` | 否 | 无 | 哔哩哔哩视频的 AV 号 |
|
||||
| `type` | `text` | 是 | 无 | 快照类型。 |
|
||||
| `created_at` | `timestamp with time zone` | 否 | `CURRENT_TIMESTAMP` | 记录创建时间 |
|
||||
| `started_at` | `timestamp with time zone` | 是 | 无 | 计划开始拍摄快照的时间 |
|
||||
| `finished_at` | `timestamp with time zone` | 是 | 无 | 快照任务完成的时间 |
|
||||
| `status` | `text` | 否 | `'pending'` | 快照任务状态。 |
|
||||
|
||||
### 字段取值说明（待补充）
|
||||
|
||||
#### `type` 字段
|
||||
|
||||
用于标识快照的类型，例如是定期存档、成就节点、首次收录等。
|
||||
|
||||
* `archive`：每隔一段时间内，对`bilibili_metadata`表中所有视频的定期快照。
|
||||
* `milestone`：监测到曲目即将达成成就（殿堂/传说/神话）时，将会调度该类型的快照任务。
|
||||
* `new`：新观测到歌曲时，会在最长48小时内持续追踪其初始播放量增长趋势。
|
||||
* `normal`：对于所有`songs`表内的曲目，根据播放量增长速度，以动态间隔（6-72小时）定期进行的快照。
|
||||
|
||||
#### `status` 字段
|
||||
|
||||
用于标识快照任务的当前状态。
|
||||
|
||||
* `completed`：快照任务已经完成
|
||||
* `failed`：快照任务因不明原因失败
|
||||
* `no_proxy`：快照任务被执行，但当前没有代理可用于拍摄快照
|
||||
* `pending`：快照任务已经被调度，但尚未开始执行
|
||||
* `processing`：正在获取快照
|
||||
* `timeout`：快照任务在一定时间内没有被响应，因此被丢弃
|
||||
* `bili_error`: 哔哩哔哩返回了一个表示请求失败的状态码
|
||||
|
||||
### 备注
|
||||
|
||||
* 此表中的 `started_at` 字段为计划中的快照开始时间，实际执行时间可能与其略有偏差，具体执行记录可结合其他日志或任务表查看。
|
||||
* 每个 av 号在可以同时存在多个不同类型的快照任务处于 pending 状态，但对于同一种类型，只允许一个pending任务同时存在。
|
||||
27
doc/zh/architecture/machine-learning.md
Normal file
27
doc/zh/architecture/machine-learning.md
Normal file
@ -0,0 +1,27 @@
|
||||
# 机器学习
|
||||
|
||||
中V档案馆的自动化工作流高度依赖机器学习进行信息提取和分类。
|
||||
|
||||
我们目前使用的机器学习系统有：
|
||||
|
||||
#### Filter (代号 Akari）
|
||||
|
||||
位于项目根目录下的 `/ml/filter/`，它是一个分类模型，将来自哔哩哔哩的视频分为以下类别：
|
||||
|
||||
* 0：与中文歌声合成无关
|
||||
* 1：中文歌声合成原创曲
|
||||
* 2：中文歌声合成的翻唱/Remix歌曲
|
||||
|
||||
它接收三个通道的纯文本：视频的标题、简介和标签，使用一个修改后的[model2vec](https://github.com/MinishLab/model2vec)模型（从[jina-embedding-v3](https://huggingface.co/jinaai/jina-embeddings-v3)）从三个通道的文本分别产生1024维的嵌入向量作为表征，通过可学习的通道权重进行调整后送入一个隐藏层维度1296的单层全连接网络，最终连接到一个三分类器作为输出。我们使用了一个自定义的损失函数`AdaptiveRecallLoss`，以优化歌声合成作品的 recall（即使得第 0 类的 precision 尽可能高）。
|
||||
|
||||
|
||||
|
||||
此外，我们还有一些尚未投入生产的实验性工作：
|
||||
|
||||
#### Predictor
|
||||
|
||||
位于项目根目录下的 `/ml/pred/`，它预测视频的未来播放量。这是一个回归模型，它将视频的历史播放量趋势、其他上下文信息（例如当前时间）和要预测的未来时间增量作为特征输入，并输出视频播放量从“现在”到指定未来时间点的增量。
|
||||
|
||||
#### 歌词对齐
|
||||
|
||||
位于项目根目录下的 `/ml/lab/`，它分别使用 [MMS wav2vec](https://huggingface.co/docs/transformers/en/model_doc/mms) 和 [Whisper](https://github.com/openai/whisper) 模型进行音素级和行级对齐。这项工作的最初目的是驱动我们另一个项目 [AquaVox](https://github.com/alikia2x/aquavox) 中的实时歌词功能。
|
||||
@ -1 +0,0 @@
|
||||
# 消息队列
|
||||
@ -1 +0,0 @@
|
||||
# LatestVideosQueue 队列
|
||||
@ -14,13 +14,30 @@ layout:
|
||||
|
||||
# 概览
|
||||
|
||||
整个CVSA项目分为三个组件：**crawler**, **frontend** 和 **backend。**
|
||||
CVSA 是一个 [monorepo](https://en.wikipedia.org/wiki/Monorepo) 代码库，使用 [Deno workspace](https://docs.deno.com/runtime/fundamentals/workspaces/) 作为monorepo管理工具，TypeScript 是主要的开发语言。
|
||||
|
||||
### **crawler**
|
||||
**项目结构：**
|
||||
|
||||
位于项目目录`packages/crawler` 下，它负责以下工作：
|
||||
```
|
||||
cvsa
|
||||
├── deno.json
|
||||
├── ml
|
||||
│ ├── filter
|
||||
│ ├── lab
|
||||
│ └── pred
|
||||
├── packages
|
||||
│ ├── backend
|
||||
│ ├── core
|
||||
│ ├── crawler
|
||||
│ └── frontend
|
||||
└── README.md
|
||||
```
|
||||
|
||||
- 抓取新的视频并收录作品
|
||||
- 持续监控视频的播放量等统计信息
|
||||
**其中， `packages` 为 monorepo 主要的根目录，包含 CVSA 主要的程序逻辑**
|
||||
|
||||
整个 crawler 由 BullMQ 消息队列驱动，使用 Redis 和 PostgreSQL 管理状态。
|
||||
* **`backend`**：这个模块包含使用 [Hono](https://hono.dev/) 框架构建的服务器端逻辑。它负责与数据库交互并通过 REST 和 GraphQL API 公开数据，供前端网站、应用和第三方使用。
|
||||
* **`frontend`**：中V档案馆的网站是 [Astro](https://astro.build/) 驱动的。这个模块包含完整的 Astro 前端项目。
|
||||
* **`crawler`**：这个模块包含中V档案馆的自动数据收集系统。它旨在自动发现和收集来自哔哩哔哩的新歌曲数据，以及跟踪相关统计数据（如播放量信息）。
|
||||
* **`core`**：这个模块内包含可重用和通用的代码。
|
||||
|
||||
`ml` 为机器学习相关包，参见
|
||||
|
||||
Loading…
Reference in New Issue
Block a user