audio - 组500,000个音频文件(多次重复)的最佳方法？

Question

我有一个500,000个用户上传的音频文件的数据库，其中包括:

歌曲

电影中的音频片段

在线

中的随机音频文件

用户录制的音频片段(例如，使用麦克风)

音频文件的标题虽然不一致，有时还是不正确。

有许多重复项，但略有差异:标题差异，音频差异(长度，压缩，音高等)。我想将每个音频文件归类到与其对应的类别。 “它是什么”是指基于音频的那个音频文件的最相关的标题(不是标题)。

例如，“迈克尔· jackson -惊悚片”可能有30种不同的音频文件，它们的长度，压缩级别，标题不同，等等。这些都应归为一类，并带有适当格式的歌曲标题。

某些音频文件将无法以编程方式正确地命名。例如，此视频 https://www.youtube.com/watch?v=ee925OTFBCA中的音频在数据库中将有很多实例，但是我认为那里没有能够对其进行标题的API。在这种情况下，只要仍可以将它们作为相似的发音进行匹配并放在一组中，则可以从剪辑已具有的标题中选择一个标题。我想我可以通过找出与所有这些人“最相似”的标题(例如，最高的平均Sørensen-Dice系数)来做到这一点。

也有一部分用户录制的剪辑无法通过编程方式进行标题/分组，因为它们仅存在于该数据库中。

例如，贝多芬《第六交响曲》可能有许多不同的名称，例如:

6号交响曲(贝多芬)

贝多芬第六交响曲

贝多芬6

Beathoven第六重音(故意拼写错误)

为了对这些文件进行分类，我计划为每个文件执行以下操作:

使用音频识别API尝试识别它，如果可以识别，请将其放在

类别中

如果无法识别，请在数据库中检查与

非常相似的音频片段

如果音频数据库中存在匹配项，则将该音频剪辑链接到该匹配项，以便将其放置在与匹配的音频剪辑相同的类别中(如果匹配的剪辑尚无类别，则将在该类别时显示)给一个)

如果没有匹配项，则将文件放置在其自己的类别下，并带有其先前的标题

这样做的目的是使数据库更小，分类更好，以便使用更少的存储空间，并使最终用户更容易搜索和导航。

现在，搜索一些音频剪辑会发现数百个相同的文件，但略有不同。这是我们要解决的主要问题。

我有三个问题:

哪种音频识别API最适合识别音频文件？尤其要考虑到正在识别的片段类型以及

的定价

应该使用哪个API比较音频文件以找出相似之处？需要将这些数据库与数据库的大小进行比较

我的方法是否存在某种缺陷？如果是这样，您将如何处理此任务？

Answer 1

获得整个音频文件的简洁描述通常称为“音频指纹”。

有很多解决方案。 MusicBrainz.org文档具有good overview，包括商业产品和开源项目。他们自己的最新方法(也可以作为开源使用)是AcousticId。