我目前正致力于这个暗示一些DSP技能的项目。 我必须从电影中提取音频，然后通过分析，我必须确定有人说话与否，更像是语音活动检测器。
我正在用Java编写代码（是的，我知道它不是最佳选择）并且只使用库从视频和JLayer中提取音频，这样我就可以处理MP3了。
My class that extracts the audio samples连续获取每个通道的样本，在我的情况下为两个：LEFT0，RIGHT0，LEFT1，RIGHT1，LEFT2，RIGHT2等。
所以这就是我到目前为止所做的：
double w = 0.54 - 0.46 * (Math.cos(2*Math.PI*buffer[i]/buffer.length-1));fftBuffer[i] = new Complex(w, 0);
mag = re^2 + im^2;之后，我会进行对数刻度（dB）：mag_dB = 10 * log10(abs(mag)); 因为我在这里“寻找声音”，所以我需要80到1000之间的频率（甚至在80 Hz和255 Hz之间的声音范围很大）。所以，从FFT我得到一个镜像的N = 8129阵列，我只需要第一个N / 2.
每个bin的频率（阵列中的插槽由FFT产生）将是采样率（48.000 kHz） / N;这将是48000/8192 = 5 Hz每箱。所以我只在数组中查看FFT_Result [15]到FFT_Result [199]（16 * 5Hz = 80 Hz; 200 * 5 = 1000 Hz）的值吧？！
我在Cool Edit Pro中查看了频率分析仪，所有幅度均为负值。在我的情况下，第一个（声音在背景中并且不响亮）是负面的，之后，它们都是正面的。他们不应该是消极的吗？我错过了这里的东西吗？
到目前为止，根据我在Cool Edit Pro中查看频率分析仪和相位分析仪所说的内容，我需要在此频率范围内设置一个阈值，某种算法可以在n毫秒内确定幅度在该频率范围内是恒定的，并确定声音是否居中。最后一个必须完成（我认为）分析相角，当有人说话时，声音始终居中。
我没有找到办法做到这一点，我对目前为止所做的事情感到困惑，因为我不知道到目前为止我所做的事情是否正确。
所以，如果你读完这一切，谢谢你的耐心，我的问题是：
- 我做得对，到目前为止我做了什么？
- 幅度必须是负的吗？
- 有谁知道如何计算多个样本的相位？
答案 0 :(得分：1)
以dB为单位，幅度可以是负数或正数，也无关紧要。重要的是，相对于某个阈值的值。我会根据周围的样本确定阈值。因为口语中的能量在说出音节时会上下波动，所以简单的平均值（乘以一些你必须使用的任意因子才能找到合适的效果）可以很好地作为一个阈值。
对于时域中的相位，您可以先进行希尔伯特变换，然后在每个样本的实部和虚部上使用atan2来估计瞬时相位。
答案 1 :(得分：0)
您可以检查两个频道之间的延迟，而不是查看各个频道的相位。假设向两个声道提供相同的信号，可以从该声道间延迟找到声源的方向。假设耳朵到耳朵的距离约为20厘米，这个延迟最多为.2 / 340 = .58ms或48kHz时的约30个样本。如果计算此范围内的互相关（30个样本），则应找到指示源方向的峰值。
要找到类似语音信号的存在，您可以计算80-1000Hz频段内的总能量，并将其与某个合理值进行阈值处理。您可以在频域中通过将容器中的幅度从80到1000Hz相加，或者使用带通滤波器和RMS值计算在时域中进行此操作。
答案 2 :(得分：0)
你有双面转换。中点是DC分量。负频率实际上是180度异相的正频率！因此，如果您使用带有负频率的FFT值的前半部分，则需要通过pi更改相位，以准确了解正在发生的情况。
或者，使用FFT值的后半部分，其中频率为正且相位正确。
我看了一下Cool Edit Pro中的频率分析仪和所有的 幅度是负面的。在我的情况下，第一个（声音是在 背景并且不大声）是消极的，之后，他们是 都很积极。他们不应该是消极的吗？我错过了吗 什么东西在这里？