python - 等长样本的音频分类 / '声码器' 设备
有没有人能提供一些链接、建议或者其他帮助呢？
我的目标是用Python来分类10秒的音频样本，这样我之后可以对着麦克风说话，然后让Python从数据库中找出和我说的内容最接近的片段（把它们淡入在一起播放）。
我并不在乎找到的内容是否是最接近的，也不关心这些音频样本的来源。所以，结果可能除了在嘈杂环境中说话（玩得开心）之外没有什么用。
我希望这个Python应用能够在数据库中的10秒样本里找到一个特定的FFT匹配。我猜麦克风的实时采样会有100毫秒的缓冲样本。
有什么想法吗？FFT？用什么数据库？其他的呢？
3 个回答
0
你可以尝试一些常见的短期特征提取方法，比如能量、过零率、梅尔频率倒谱系数（MFCC）、频谱特征、色度特征等等。然后，你可以通过一组特征统计数据来描述你的音频片段。接着，你可以使用一种简单的基于距离的分类器，比如k最近邻（kNN），来从一个手动标记的样本集中找到与未知“查询”最相似的训练样本。
可以看看我在Python音频分析方面的一些功能库：pyAudioAnalysis
0
试着搜索一下“音乐指纹识别”相关的算法。
3
要做到这一点，你需要三样东西：
- 分段（决定如何制作你的音频样本）
- 特征提取（决定你关心的音频特征，比如FFT）
- 距离度量（决定什么样的样本是“最接近”的）
分段：你现在使用的是10秒的样本。我觉得如果用更短的段落（大约100到1000毫秒），可能会得到更好的效果，因为这样更能适应声音的变化。
特征提取：你提到使用FFT。其实，零交叉率这个方法很简单，但效果还不错。如果想要更高级一点，可以考虑使用MFCC或者谱心率。
距离度量：大多数人使用欧几里得距离，但也有一些更复杂的，比如曼哈顿距离、余弦距离和地球搬运工距离。
如果你的样本数量不多，可以尝试把所有样本加载到一个kdtree中，这样可以快速计算距离，并且可以把它保存在内存里。
祝你好运！听起来这是个有趣的项目。