比较两个音频文件

Question

基本上，我有很多音频文件，它们都是同一首歌的不同版本。不过，有些文件的质量比原版差，有些甚至经过编辑，跟原版完全不一样。我想做的是通过编程的方式，把这些音频文件和原版进行比较，看看哪些文件和原版相符，不管质量如何。直接比较显然不行，因为文件的质量差异很大。

我觉得可以通过分析歌曲的结构来和原版进行比较，但我对音频工程一窍不通，所以这对我帮助不大。所有的歌曲都是同一种格式（MP3）。另外，我在用Python，如果有适合Python的库就太好了；如果没有，JVM上的东西或者其他本地库也可以，只要能在Linux上运行，我能搞明白怎么用就行。

Answer 1

首先，你需要改变比较的方式。直接分析未压缩文件里的原始样本是没有意义的。你需要从音频样本中提取一个或多个特征来作为你的距离度量。维基百科列出了以下一些常用的特征，这些特征通常用于声学指纹识别：

音频指纹常用的感知特征包括平均零交叉率、估计的节奏、平均频谱、频谱平坦度、一组频带中的显著音调和带宽。

我没有现成的程序解决方案给你，但这里有一个有趣的尝试，它是对YouTube音频识别系统的逆向工程。这一系统用于检测版权侵权，和你遇到的问题类似。

Answer 2

这其实不是一件简单的事情。我觉得市面上没有现成的库能做到这一点。这里有一个可能的方法：

1. 把mp3格式的音乐解码成PCM格式。
2. 确保PCM数据有一个特定的采样率，这个采样率你需要提前选择（比如16KHz）。如果歌曲的采样率不同，你需要重新采样。高采样率并不是必须的，因为你只需要模糊比较，但采样率太低会丢失太多细节。
3. 对PCM数据进行归一化处理（也就是找到最大采样值，然后调整所有采样，使得最大幅度的采样值能使用整个数据格式的动态范围，比如如果采样格式是有符号的16位，那么归一化后最大幅度的采样值应该是32767或-32767）。
4. 把音频数据分成固定数量的采样帧（比如每帧1000个采样）。
5. 把每一帧转换到频谱域（使用快速傅里叶变换）。
6. 计算代表两首歌曲的帧序列之间的相关性。如果相关性超过某个阈值，就认为这两首歌是相同的。

Python库推荐：

• PyMedia（用于第一步）
• NumPy（用于数据处理）——你也可以看看这篇文章，里面有一些入门信息。

还有一个额外的复杂情况。你的歌曲可能在开头有不同长度的静音。所以为了避免漏掉匹配，你可能需要增加一个步骤：

3.1. 从PCM数据的开头开始扫描，直到声音能量超过预设的阈值。（比如用一个10个采样的滑动窗口计算均方根，当它超过动态范围的1%时停止）。然后丢弃这一点之前的所有数据。

Answer 3

复制自那个回答：

这个问题其实是很多人在老的AudioScrobbler和现在的MusicBrainz上讨论过很久的。现在，有一个Python项目可以帮助你，就是Picard。这个工具可以给音频文件（不仅仅是MPEG 1 Layer 3文件）加上一个唯一的标识符（其实是几个），这样之后匹配这些标签就变得很简单了。

如果你想自己动手做一个项目，libofa可能会对你有帮助。关于这个Python库的文档可能会对你最有帮助。