声音的频率分析

Question

我用两个麦克风录制鸟叫声。记录可能长达3个小时，而且每天都要大胆地聆听整个文件。我想要的是一个脚本，该脚本可以接收我的原始文件，并给我一堆简短的音频文件，每个文件都包含鸟叫声。使用我的麦克风，我可以用mp3或wav录音。但是脚本只应发出频率高于nHz的哭声。此频率代表固定的背景声音，不应保存。我不知道哪种语言最适合这样做，我绝对不知道该怎么做。

谢谢大家， 托马斯

Answer 1

这应该很容易在多种语言中实现，但是Python是一个不错的起点。我会为您链接一些相关资源以帮助您入门，然后在遇到问题时可以缩小问题的范围。

要读取.wav格式的音频文件，请查看this documentation。

要从音频文件中获取数据并将其放入numpy数组，请参见this question and answer。

Here是用于计算数据的傅立叶变换（以获得频率内容）的文档。

我建议您使用一个移动窗口，并在该窗口内计算数据的傅立叶变换，然后在有大量内容超出阈值频率的情况下，将结果保存到文件中。 first link应该具有保存音频文件的信息。

对于此类应用程序from this Q&A，您可以使用傅里叶变换获得一些背景知识；如果事实证明您的问题确实很困难，我建议您研究一下methods for speech detection。< / p>

要获得更多建议，您可以尝试通过调整采样率来使录音频移，以使鸟的声音类似于人类的语音，然后使用Googles VAD之类的黑匣子工具来拾取鸟叫。我不确定那将如何工作。

Answer 2

将长文件切成感兴趣的部分的问题通常称为（自动）音频分段。如果您愿意将固定的音频剪辑（例如10秒钟）截断，也可以将其视为“音频分类”问题。 后者是一个经过充分研究的问题，也适用于鸟类。

DCASE2018挑战赛对Bird Detection充满信心，并且有许多先进的方法。基本上，所有性能最佳的系统都在对数刻度的梅尔谱图上使用“构造神经网络”。梅尔频谱图是2D图像，因此基本上成为图像分类。许多提交都是开源的，因此您可以查看代码并进行操作。请注意，他们主要专注于在研究竞赛中取得良好的成绩，而不是用来分割几个文件的实用工具。

如果要为此构建自己的模型，我建议对图像进行预训练的卷积神经网络，然后对DCASE2018数据进行预训练，然后对自己的数据进行测试。尽管应该花一些时间才能建立一个非常准确的系统。