上下文：我有很多评论音频文件。在这些文件中，有人谈论某些产品，其中大多数还有背景音乐。
问题：我需要将每个文件拆分为语音段（句子/短语）。另外，我想要一些无监督的方法。 或者有些人监督输入是音乐，静音和语音音频的样本，因为我有一个带有这种样本的数据集。 P.S：我不需要理解他们在说什么
这不是我现在关注的焦点，那么这种方法并不需要完美或类似的东西，如果处理后其中一些错误就没问题。
我已经阅读了一些关于这个问题的论文，但是现在我还没有找到任何工具来解决这个问题。
是否有一些工具和/或代码可以帮助我解决这个问题？