无论是高音还是低音，甜美的声音还是不那么甜美的声音，我们都有一个音域。在这个范围内，有一个点，一个人的声域从胸声（较低范围）转变为头声（较高范围）。这个过渡点对于所有歌手来说都是不同的，因此很难掌握。
专业：数学。音乐
家乡：马萨诸塞州韦尔斯利
高中：韦尔斯利高中
对于经验不足的歌手来说，这种音域之间的桥梁很难驾驭，金解释说，他看到了一个研究机会。我的目标是创造一些东西，让不同技能和技术的音乐家可以用来更好地理解和利用他们的声乐音域，特别是胸声和头声之间的过渡。
Kim 的想法是获取声音样本的数据集并使用机器学习模型，开发一个用户友好的软件，可以具体识别这些音域。
他说，虽然已经有关于声乐音域的理论模型和研究，但有一个专门为此目的设计的实用工具尚未创建。诚然，这伴随着挑战。必须同时计划、编写代码和处理很多事情是很困难的。然而，最困难的事情是使其可供用户访问。他说，这需要大量检查可能出错的事情。
Kim 使用一种称为卷积神经网络和支持向量机的深度学习模型来分析数据集并改进他同时创建的工具：AVRA，即自动声乐寄存器分析。
<他说，理想情况下，用户能够选择一个音频文件，[并]放大他们想要分析其记录的指定时间单位，AVRA 会做到这一点。Kim 是校园无伴奏合唱团 Buffers 的音乐总监，因此分析声乐音域的能力非常重要：我可以用另一个参考来检查自己的耳朵，但我也可以将其参考给其他人，只是作为基础说这是你应该倾听的内容。有时间坐下来尝试从我的大脑中构建一些东西是最好的事情。
Kim 认为这个项目对个人也有影响：有时间坐下来尝试从我的大脑中构建一些东西是最好的事情。不仅如此，他的编码能力也呈指数级增长。他说，除了从头开始培养我的机器学习技能之外，我还构建了一个全栈应用程序，它将我对音频和视觉数据交叉的兴趣扩展到不同的机器和深度学习框架。
展望未来，Kim 希望将他用于数据集的音域扩展到男性流行声音之外，并进一步开发 AVRA，可能作为音乐系的论文项目。