在音频文件中查找音频样本（频谱图已存在）

Question

我正在尝试实现以下目标：

• 使用 Skype，拨打我的邮箱（有效）
• 输入密码并告诉邮箱我想要录制新的欢迎消息（有效）
• 现在，我的邮箱告诉我在蜂鸣声后录制新的欢迎消息
• 我想等待蜂鸣声，然后播放新消息（不起作用）

我如何尝试实现最后一点：

• 使用 FFT 和滑动窗口创建频谱图（可行）
• 为蜂鸣声创建“指纹”
• 搜索来自 Skype 的音频中的指纹

我面临的问题如下：
来自 Skype 的音频和参考嘟嘟声的 FFT 结果在数字意义上并不相同，即它们相似，但不相同，尽管嘟嘟声是从带有 Skype 音频录音的音频文件中提取的。下图左侧为 Skype 音频的嘟嘟声频谱图，右侧为参考嘟嘟声的频谱图。正如您所看到的，它们非常相似，但并不相同......
上传了图片 http://img27.imageshack.us/img27/6717/spectrogram.png< /a>

我不知道如何从这里继续。我应该对其进行平均，即将其分为列和行，并按照此处所述比较这些单元格的平均值？我不确定这是最好的方法，因为他已经说过，它对于短音频样本效果不太好，而且蜂鸣声的长度不到一秒......

有关如何进行的任何提示吗？

Answer 1

您应该确定峰值频率和持续时间（可能是该频率持续时间的最小功率（RMS 是最简单的测量）

蜂鸣声期间不存在其他峰值。

这应该很容易测量。为了使事情变得更加聪明（但对于这个简单的匹配任务可能完全没有必要），您可以断言更新

要比较完整的音频片段，您需要使用卷积算法。现成的库实现而不是您自己的库实现。

最常见的快速卷积算法通过循环卷积定理使用快速傅立叶变换 (FFT) 算法。具体来说，两个有限长度序列的循环卷积是通过对每个序列进行 FFT、逐点相乘，然后执行逆 FFT 来找到的。然后使用该技术结合零扩展和/或丢弃输出部分来有效地实现上面定义的类型的卷积。其他快速卷积算法，例如 Schönhage–Strassen 算法，在其他环中使用快速傅里叶变换。

维基百科将 http://freeverb3.sourceforge.net 列为开源候选者

编辑 添加API 教程页面链接：http://freeverb3.sourceforge.net/tutorial_lib.shtml

其他资源：

http://en.wikipedia.org/wiki/Finite_impulse_response

http://dspguru.com/dsp/faqs/fir

debian 上现有的包含相关工具的软件包：

[brutefir - a software convolution engine][3]
jconvolver - Convolution reverb Engine for JACK

libzita-convolver2 - C++ library implementing a real-time convolution matrix
teem-apps - Tools to process and visualize scientific data and images - command line tools
teem-doc - Tools to process and visualize scientific data and images - documentation
libteem1 - Tools to process and visualize scientific data and images - runtime

yorick-yeti - utility plugin for the Yorick language

Answer 2

首先，我会在频率方向上对其进行一些平滑处理，以便频率的微小变化变得不那么相关。然后简单地获取每个频率并减去两个幅度。将差异平方并相加。也许首先对信号进行归一化，这样总幅度的差异就不再重要。然后将差异与阈值进行比较。