比较两个音频文件[重复]答案

【问题标题】：Compare two audio files [duplicate]比较两个音频文件[重复]
【发布时间】：2011-03-11 12:24:14
【问题描述】：

基本上，我有很多代表同一首歌的音频文件。然而，其中一些质量比原作更差，还有一些被编辑到不再与原作匹配的地方。我想做的是以编程方式将这些音频文件与原始文件进行比较，看看哪些与那首歌相匹配，无论质量如何。直接比较显然行不通，因为文件质量参差不齐。

我相信这可以通过分析歌曲的结构并与原版进行比较来完成，但我对音频工程一无所知，所以这对我没有多大帮助。所有歌曲的格式相同（MP3）。另外，我使用的是 Python，所以如果有绑定，那就太好了；如果没有，JVM 甚至本地库也可以，只要它在 Linux 上运行并且我能弄清楚如何使用它。

【问题讨论】：

【解决方案1】：

这实际上不是一项简单的任务。我不认为任何现成的图书馆可以做到这一点。这是一种可能的方法：

将 mp3 解码为 PCM。
确保 PCM 数据具有您预先选择的特定采样率（例如 16KHz）。您需要重新采样具有不同采样率的歌曲。不需要高采样率，因为无论如何您都需要进行模糊比较，但过低的采样率会丢失太多细节。
归一化 PCM 数据（即找到最大样本值并重新调整所有样本，以使幅度最大的样本使用数据格式的整个动态范围，例如，如果样本格式有符号 16 位，则归一化后最大幅度样本的值应为 32767或 -32767)。
将音频数据拆分为具有固定样本数的帧（例如：每帧 1000 个样本）。
将每个帧转换为频谱域 (FFT)。
计算代表两首歌曲的帧序列之间的相关性。如果相关性大于某个阈值，则假设歌曲相同。

Python 库：

一个额外的并发症。您的歌曲在开始时可能有不同长度的静音。所以为了避免漏报，你可能需要一个额外的步骤：

3.1。从头开始扫描 PCM 数据，直到声能超过预定义的阈值。（例如，使用 10 个样本的滑动窗口计算 RMS，并在超过动态范围的 1% 时停止）。然后丢弃直到此时的所有数据。

【讨论】：

PCM 数据是字节数组吧？在第 3 步中，由于我们需要高达 32767 的幅度进行归一化，我相信您会将其转换为整数/双精度数组。如果我错了，请纠正我。另外，我们是否需要在步骤 6 中计算相关性？或者，如果我们只是比较 fft 值并查看它们是否在阈值内呢？
@LINGS (3) 假定步骤 (1) 中的 PCM 数据是适当类型的数组（例如 int16 或 float32）。但是如果选择的解码器返回原始字节，那么是的，需要一个转换步骤。
@LINGS re step (6)：如果您的解决方案必须容忍噪声，那么简单的差异将不起作用，因为诸如咔嗒声或拍手之类的一些噪声会导致 FFT 的巨大差异。不过，综合差异可能会起作用。我不确定相关性是这里最好的比较方法，我没有像我应该做的那样研究它，但是当我实现类似的东西时它工作正常。

【解决方案2】：

首先，您必须更改比较域。分析未压缩文件中的原始样本将一事无成。您的距离测量将基于您从音频样本中提取的一个或多个特征。维基百科列出了Acoustic Fingerprinting 常用的以下功能：

音频指纹通常利用的感知特征包括平均过零率、估计速度、平均频谱、频谱平坦度、一组频段的突出音调和带宽。

我没有适合您的程序化解决方案，但这里有一个 interesting attempt，用于对 YouTube 音频 ID 系统进行逆向工程。它用于版权侵权检测，类似的问题。

【讨论】：

【解决方案3】：

复制自that答案：

老AudioScrobbler 和MusicBrainz 的人们很久以前就研究过同样的问题。目前，可以帮助您完成任务的 Python 项目是 Picard，它将使用 GUID（实际上是其中的几个）标记音频文件（不仅是 MPEG 1 第 3 层文件），从那时起，匹配标签非常简单。

如果您更喜欢将其作为自己的项目，libofa 可能会有所帮助。 documentation for the Python wrapper 或许对您的帮助最大。

【讨论】：