Python中的视频和音频处理库

Question

在Python中，有哪些视频/音频库可以用来识别视频录制中的特定音频模式呢？
我想从视频文件中排除录制的开头部分（跳过到特定的音频模式），所以我需要一种方法来：

• 从文件的开头开始扫描
• 识别音频模式（一段总是相同的音乐）
• 从那个点开始录制/复制剩下的视频录制。

视频详情

格式：- Real Media（不过这没关系，因为我可以把它转换成其他格式）

时长：- 从18分钟到24分钟不等

使用媒体信息工具分析其中一个视频，得到以下信息：

Video
ID                               : 1
Format                           : RealVideo 4
Codec ID                         : RV40
Codec ID/Info                    : Based on AVC (H.264), Real Player 9
Duration                         : 19mn 18s
Bit rate                         : 195 Kbps
Width                            : 332 pixels
Height                           : 248 pixels
Display aspect ratio             : 4:3
Frame rate                       : 23.976 fps
Bits/(Pixel*Frame)               : 0.099
Stream size                      : 27.0 MiB (84%)

Audio
ID                               : 0
Format                           : Cooker
Codec ID                         : cook
Codec ID/Info                    : Based on G.722.1, Real Player 6
Duration                         : 19mn 20s
Bit rate                         : 32.0 Kbps
Channel(s)                       : 2 channels
Sampling rate                    : 44.1 KHz
Bit depth                        : 16 bits
Stream size                      : 4.43 MiB (14%)

---

原始问题：

前几天我重温了动画系列《龙珠Z》，对我手上的视频感到有些烦恼。每集大约24分钟，每集都有前一集的回顾和结束音乐，总共大约6到8分钟。

我注意到每个视频在回顾结束时都有相同的音频，接着是视频的新标题。我把这个音频录制成了一个单独的文件。

我想问问在Python中有没有办法通过编程做到以下几点：

1. 扫描音频，匹配录制的标题音频，以知道实际视频开始的确切时间。

2. 从那个点开始保存视频。

我不知道这样做的难度如何，所以请告诉我这是否可能。

如果你能告诉我任何提供这些工具的库，并给我一些建议该怎么做，我将非常感激。

非常感谢！

Answer 1

据我所知，语音识别（它还可以提供一些底层功能，比如比较两个声音的相似度）在Python中只能通过Windows库或者Dragon Naturally Speaking API来实现。

一旦找到标记，你可以使用一些外部库，比如这个或者这个，根据需求来剪辑视频。

补充一下：谷歌搜索还找到了pyofa，这是一个围绕musicip-libofa的封装库，而musicip-libofa是一个声纹库。