signal-processing - 检测歌曲中人声的开始位置？

Question

检测歌曲中人声开始位置的最佳方法是什么？我只需要人声的开始时间。不需要极高的精度。速度更重要。

非常感谢有关论文或算法(如果存在)的任何线索..还寻找最适合此框架/语言的建议。

Answer 1

* 剧透:答案不在下面 *

因为我打算做类似的事情，所以我自己对这个主题做了一些研究，发现有一些精确的数字技术可能能够做到这一点。

我将列出引用文献，让您作为读者来决定这是否是正确的方法。这一切都与人声音频特征提取有关，并在音频数据中找到人声特征。

你可以从这里开始，但它真的不会导致任何地方，但可能有助于了解你的兴趣:)

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

然后，一些关于说话人识别的文章:

在这里，有一个你需要知道的入门mel frequency cepstral coefficients (MFCC) 特征提取。

http://www.speaker-recognition.org/navAlg.html

然后，例如，这个:

http://www.iccce.co.in/Papers/ICCCECE358.pdf

我知道它们都不能直接解决您的问题，但至少您将能够掌握要处理的怪物的大小。

编辑:框架

我使用 c# 来处理与此相关的事情，起初我使用了自己的 fft 算法，然后转移到使用英特尔数学库的 ILNumerics 库，后来用 fftw 替换了所有这些。

http://ilnumerics.net/ (嗯，曾经是免费的)

http://software.intel.com/en-us/articles/intel-mkl/英特尔数学内核

http://www.fftw.org/ (一个简单的网页，但性能很差)

编辑:新的fft引擎

由于我正在将我的一些代码移植到 android，我与一个做了一些被认为不可能的事情的人有很好的工作经验 - 比 FFTW 更快的 FFT 库:FFTS .我对他的魔法的理解是有限的，但他将 codelet 用于各种处理器架构，并且优于现有的每个库。