识别 iOS 上的特定声音

Question

我希望能够识别 iOS 应用程序中的特定声音。我想它基本上会像语音识别一样工作，因为它相当模糊，但它只需要针对一种特定的声音。

我做了一些快速 FFT 的工作来识别超过特定阈值的特定频率，并且仅当它们单独存在时（即它们没有被其他频率包围），这样我就可以很容易地识别单个音调。我认为这只是其扩展，但与声音录制的 FFT 数据集进行比较，并比较音频长度上的 0.1 秒块。我还必须考虑振幅的变化、音调的变化和时间的变化。

谁能向我指出任何可以用来加速此过程的现有资源？我似乎找不到任何可用的东西。或者如果失败了，关于如何开始这样的事情有什么想法吗？

非常感谢

Answer 1

从您的描述来看，并不完全清楚您想要做什么。
“特定”的声音是什么样的？背景噪音高吗？
具体的可识别特征是什么（例如音高、不和谐、音色......）？
您想将它与其他哪些“声音”进行比较？
您是否只想将任意声谱与“模板声音”进行匹配？
你的声音是打击乐的、旋律的、演讲的……吗？是长是短……？
您期望最佳辨别力的频率范围是多少？特征是否随时间变化？

不存在适用于所有情况的“通用”解决方案。语音识别本身相当复杂，对于可辨别频率不在 MEL 频段等抽象声音中效果不佳。

总之，您留下了太多悬而未决的问题，无法得到有用的答案。
根据少数信息，我可以提出的唯一建议如下：

For the template sound:
1) Extract spectral peak positions from the power spectrum
2) Measure the standard deviation around the peaks and construct a gaussian from it
3) save the gaussians for later classification

For unkown sounds:
1) Extract spectral peak positions
2) Project those points onto the saved gaussians which leaves you with z-scores of the peak positions
3) With the computed z-scores you should be able to classify your template sound 

注意：这是一种非常粗略的方法，它根据声音最强大的频率来区分声音。使用高斯，它为最强大的频率留下了轻微变化的空间。