人声转录作为转录任务中的一个重要分支,在近几年逐步受到了音乐计算领域学者们的关注。然而由于人声发音的不稳定性以及大型歌唱声起始点(onset)标注数据集的缺乏,对音乐中的人声进行onset检测(转录的关键性步骤)的难度远大于乐器。人声转录的效果因此受限,无法有效应用于实践。鉴于此,本文基于流行音乐进行了人声转录研究,主要研究内容与成果如下:1)提出了一种基于人声活动检测的音频切句算法。本文使用该算法对中文流行音乐进行智能切句操作,使预处理后的音频在满足后续onset识别模型的时长要求的同时规避单字切开问题。2)在语音训练集上训练出一个高精度的人声onset模型,能够准确地识别转录所需的音符切分时间点。本文首次将U-Net网络引入人声onset识别任务中,提出了一种将单通道声谱图转为多通道声谱图的输入格式优化策略,并通过序列正例辐射和基于Dice系数的损失函数解决序列数据集极度不平衡的问题。3)构建并开源了一个小型中文流行音乐人声onset标注测试集,将语音数据集上训练的模型迁移到真实音乐场景中进行测试。同时,本文提出了可信度过滤层和呼吸音过滤层对迁移后的识别效果进行优化,使模型在真实音乐场景中取得了较好的人声onset识别效果。4)提出了一种最近邻音名匹配的音符块音高选择算法。本文在实现Harvest音高识别算法并将其运行速度优化至原来10倍的基础上,使用该算法计算音符块的精准代表音高。综上所述,本文提出了一套完整的人声转录解决方案,能够智能识别onset时间点与音高信息,在不借助歌词信息的情况下生成准确的MIDI格式的转录谱。