对短音频样本进行分类
categorizing short audio samples
我有少量相似类型的声音（我将这些称为DB_sounds），我需要将其与录音相匹配(Rec_sounds)。每个 Rec_sound 都是简短且唯一的，需要与其对应的 DB_sound 相匹配。我该如何匹配它们？
为了说明我的问题，请考虑以下内容：
Bob 在 A 房间用低沉的声音（有一些背景噪音）说 Ma
B 房间的爱丽丝用高音说 Eh
婴儿正在学习说话。他的第一个词是Eh
Ma 和 Eh 是 2 种不同类型的 DB_sounds，所以我必须 return 2 种不同的结果。我有几个 DB_sound 样本，不同的人说 Ma 和 Eh 来比较 Rec_sounds 和
我正在处理的声音是单音节的录音，例如 la、ba、ne、eh、ma 等
我该如何解决这个问题？
我认为音频指纹识别不会起作用（请参阅频谱图），现有的语音识别软件如 this google api integration in python 也不起作用，因为我不是在尝试识别人类语言，而只是在尝试识别声音。
我不介意从头开始构建一些东西，只需指出您认为可行的方向，并请充分说明您的想法。
婴儿说话的 8 个样本的频谱图 EH
宝宝说的8个样本的时域图EH
如果你只是想识别声音，我会从一个简单的过程开始：
- 从每个声音样本中裁剪静音（简单的能量阈值）。
- 计算每个数据库样本的音频特征（例如 MFCCs）。
- 执行交叉验证分类程序，将音频特征映射到您要识别的声音类别。
有用的 Python 库：scipy for reading wav files, essentia for audio feature extraction, scikit-learn 用于分类和其他机器学习。
我有少量相似类型的声音（我将这些称为DB_sounds），我需要将其与录音相匹配(Rec_sounds)。每个 Rec_sound 都是简短且唯一的，需要与其对应的 DB_sound 相匹配。我该如何匹配它们？
为了说明我的问题，请考虑以下内容：
Bob 在 A 房间用低沉的声音（有一些背景噪音）说 Ma
B 房间的爱丽丝用高音说 Eh
婴儿正在学习说话。他的第一个词是Eh
Ma 和 Eh 是 2 种不同类型的 DB_sounds，所以我必须 return 2 种不同的结果。我有几个 DB_sound 样本，不同的人说 Ma 和 Eh 来比较 Rec_sounds 和
我正在处理的声音是单音节的录音，例如 la、ba、ne、eh、ma 等
我该如何解决这个问题？
我认为音频指纹识别不会起作用（请参阅频谱图），现有的语音识别软件如 this google api integration in python 也不起作用，因为我不是在尝试识别人类语言，而只是在尝试识别声音。
我不介意从头开始构建一些东西，只需指出您认为可行的方向，并请充分说明您的想法。
婴儿说话的 8 个样本的频谱图 EH
宝宝说的8个样本的时域图EH
如果你只是想识别声音，我会从一个简单的过程开始：
- 从每个声音样本中裁剪静音（简单的能量阈值）。
- 计算每个数据库样本的音频特征（例如 MFCCs）。
- 执行交叉验证分类程序，将音频特征映射到您要识别的声音类别。
有用的 Python 库：scipy for reading wav files, essentia for audio feature extraction, scikit-learn 用于分类和其他机器学习。