对短音频样本进行分类

Question

我有少量相似类型的声音（我将这些称为DB_sounds）我需要匹配录音（Rec_sounds）。每个Rec_sound都很短且唯一，需要与其对应的DB_sound匹配。我该如何匹配它们？

为了说明我的问题，请考虑以下事项：
鲍勃在房间A中发出深沉的声音（带有一些背景噪音）说 Ma
爱丽丝在B房间高声说 Eh
宝宝正在学习说话。他的第一个词是 Eh

Ma和Eh是两种不同类型的DB_sounds，因此我必须返回2个不同的结果。我有几个不同人的DB_sound样本说 Ma 和 Eh 来比较Rec_sounds到

我正在处理的声音是单音节的录音，如 la，ba，ne，eh，ma 等。

我应该如何解决这个问题？ 我认为音频指纹识别不起作用（参见频谱图），现有的语音识别软件如this google api integration in python不起作用，因为我不是在试图识别人类语言，而只是声音。

我不介意从头开始构建一些东西，只需指出我认为可行的方向，并请为你为什么这么认真添加充分的理由。

8个婴儿样本的光谱图 EH

8个婴儿样本的时域图表 EH

Answer 1

如果你只想识别声音，我会从一个简单的程序开始：

1. 从每个声音样本中裁剪静音（简单的能量阈值）。
2. 为数据库的每个示例计算音频功能（例如MFCCs）。
3. 执行交叉验证的分类程序，将音频功能映射到您想要识别的声音类别。

有用的Python Libs：scipy用于阅读wav文件，essentia用于音频特征提取，scikit-learn用于分类和其他机器学习。