这可能是一个广泛的答案，但我希望看到答案并与SO用户讨论这个主题。
到目前为止，我猜一个音频文件（WAV）的采样率可能是44000或48000（我见过大多数这两个），从中我们可以确定单个秒进入文件（第二个00： 00:01）正好有44000个整数值，这意味着我们有一个Int[]，所以如果音频文件持续时间是5秒，它有5 * 44000个整数（或5个样本）。
所以我的问题是，我们如何计算两个时间跨度之间内容的差异（或相似性），如音频在00:00:01的Audio1.wav和Audio2.wav，且采样率相同。
答案 0 :(得分：1)
您的推理中有几个假设： 1.该文件是原始未压缩（PCM编码）数据。 2.只有一个频道（单声道）。
最好先阅读一些format descriptions和sample implementations，然后搜索一些音频比较算法（1， 2 ，{ {3}}）。
关联问：3
答案 1 :(得分：1)
执行此操作的一种方法是将信号从44100 Hz重新采样到48000 Hz，因此两个信号具有相同的采样率，并执行互相关。互相关的形状可以是相似性的度量。您可以查看峰值的高度，或峰值中的能量与总能量的比率。
但请注意，当信号重复出现时，您将获得多个互相关峰值。