我已将包含所有英文字母（A、B、C、D 等）的音频文件拆分为单独的音频 .wav 文件块。我想将每个字母归为一组。例如，我希望将字母 A 的所有音频文件分组到一个文件夹中。那么我将有 26 个文件夹由相同字母的不同发音组成。
我已经搜索过这个，我发现了一些关于 K-mean 聚类的工作，但我无法达到我的要求。
【问题讨论】：
标签： python machine-learning audio cluster-analysis speech-recognition
首先，您需要将声音转换为适合进一步处理的表示，因此您可以应用分类或聚类算法的一些特征向量。
对于音频，典型的选择是基于频谱的特征。要处理声音，librosa 会很有帮助。
由于声音具有不同的持续时间，并且您可能希望每次录音都有一个固定大小的特征向量，因此您需要一种在一系列数据之上构建单个特征向量的方法。在这里，可以使用不同的方法，具体取决于您的数据量和标签的可用性。假设您的录音数量有限且没有标签，您可以从简单地将几个向量堆叠在一起开始。平均是另一种可能性，但它会破坏时间信息（在这种情况下可能没问题）。训练某种 RNN 来学习作为隐藏状态的表示是最强大的方法。
看看这个相关的答案：How to classify continuous audio
【讨论】：