我录制了几秒钟的音频，其中包含两个以相同频率生成的相似音调。它们相距几秒钟。我想要做的是检测第一个音调的结束和第二个音调的开始，就这个音频文件分开的样本数量而言。假设有48KHz音频的16位有符号PCM和一个代表原始音频的字节数组。
我正在努力解决这个问题;
a）运行DFT以检测音调的特定频率的发生
b）由于两个音调最响亮，不知何故，找出峰值以及两个音调开始/结束的位置
c）通过带通滤波器运行音频文件以滤除所有其他频率，我可能最终得到两行，或者数组中的两个非零段
最直接的方法是什么（随意提出其他技巧）？