更新：我将使用一些开源替代方法进行相同的练习。 还有更多…
TL; DR：音频识别有时有效，有时无效。
因为我是个白痴，已经缺了一个月的睡眠，啤酒，冬日寒冷，下雨并杀死了两架ESP-12F。
在我父母的房子里，有一个博斯卡壁炉，使房子温暖而模糊。 为此，您需要一些干木！ （免费咨询）。 在一些空闲的下午，VH-1的某些部分（录像）？运行70-80-90年代的旧视频剪辑，持续一两个小时。 我爸爸不愿意看那些。
仅作记录：该家伙只是听古典音乐放松了几个小时。 妈妈在开始的15分钟内入睡，我可以忍受两个小时。 这不是他妈的莫扎特效应[阅读：不存在]。 他最喜欢的Tune in电台是古典音乐类型和智利的贝多芬广播电台。
70年代-80年代-90年代是我童年和成年前的一部分。 是的，我还没说完就说了。 为了使事情变得简单，我出生在AC / DC的“ TNT”专辑发行的同一个月。 Aaand他观看了那段时间的所有视频片段。
我开始打赌我的父亲，我可以识别任何歌曲，乐队甚至发行年份，而不必蒙上眼睛。 使用任何在线服务（再次是Shazam），该百分比为98％，只是由于背景噪音过高而丢失了。
嗯 有什么“智能”功能吗？
我对自己的第一个问题是：“ 我们（人类）如何识别歌曲？ ”。
首先 ，人类是模式识别机器 。 一些研究表明，它有助于理解两个特定事件之间的差异，尽管它们之间可能存在某种联系，但它们之间的相关性尚不清楚。 对于好奇的人，有一些非常好的阅读材料，所以这里是：
- 专家怎么看？
- 史蒂芬·沃尔夫拉姆（Stephen Wolfram）的新科学
- 数据声化中的人类模式识别（论文）
第二 ：我们可以听懂歌曲中的口语 。
全球大约有6200种语言，其中汉语占主导地位（12亿）。 其次是……西班牙语？ （无法找到其他确认数据）。 来源在这里。
即使我们听不懂说什么，歌曲也能奏效。 我们需要讲回去学习它。 这是“反馈学习过程”。 在此示例中，可以安全地跳过它。 如果您需要一些示例，可以考虑在youtube中使用“ despacito”。 它的缩写是“如果我们大部分时间都能听到，就可以说出来”。
最初的问题仍然存在： 机器可以识别歌曲吗？ 答案是“是，但有困难” 。
从“计算机如何听到”开始，这是Gorgle的第一个结果。
音频从模拟源进行数字转换。 你有一波，它会共振成“某物”（麦克风），这会产生电磁脉冲，并可以通过模数转换器读取。 声卡的Layman条款。
然后，数据以二进制形式存储，以后可以处理。
首先是波形。 这是时域显示，幅度与时间的显示。
声谱图是声音强度随时间变化的视觉表示。
据我所记得，“查看”计算机比“听”要容易得多。
要实现检测，我们首先需要创建音乐的存储方式。 完成创建歌曲的哈希。 准备好了，这已经进入JSON域了……
片段“代码”是歌曲的存储方式。 为此，将歌曲编码为字符串。 为此，它使用Ffmpeg （whattha ?!）并将结果编码为base64字符串。 您需要将其存储在某个地方。
信息存储后，即可自由搜索。 怎么样？ 使用相同的方法：创建样本的哈希，将其用作样本，然后使用模糊逻辑进行搜索。 搜索结果应该会吐出一些信心。 和繁荣。 你有它。
这里也有一线希望 。 识别过程应易于产生背景噪音或任何其他破坏性因素（我们称其为“恶作剧”）。 而且，它应该尽可能唯一（这几乎是灵丹妙药，但不起作用。稍后会详细介绍）。
处理是一个三步方法：代码生成（散列歌曲），提取（将要存储的结果数据送入处理）和查找（搜索和评分结果）。
在此演示中，我将使用Echoprint。 由Echo Nest最初开发，现已成为Spotify的一部分。
首先，我们需要收集一些精选音乐。 哦，我们有一些…
克隆echoprint服务器和echoprint代码源存储库，以实现更高的公正性。
编译该东西，将其安装在安全的地方（/ usr / local现在不应是蠕虫的应急池…），并确保Python库确实在工作。 之前请阅读每个项目的文档！ （不要忘记setup.py进程）
现在，在命令行中使用一些非sequitur魔术：
jci @ / media / somewhere：$查找/ media / MP3 / N /-名称“ * .mp3” | echoprint-codegen -s> Fingerprint.json
文件Fingerprint.json应该包含文件的哈希值。
现在，有趣的部分。 取出内容并仅使用哈希创建另一个数据库文件。
jci @ / media / somewhere：$ cat Fingerprint.json | jq -r’。[]。code’| egrep -v null $> database_audio.fingerprint
将二进制搜索索引提供给：
jci @ / media / somewhere：$ cat database_audio.fingerprint | echoprint-inverted-index index.bin
并运行它！
此“回声休息服务”可作为REST服务（巨型DUH！）。 可以通过curl在以下URL上查询它：
- / query / jaccard
- / query / set_int
- / query / set_int_norm_length_first
对我来说唯一具有一致数据的是第一个：Jaccard。 它使用匹配的索引值，使用统计信息并尝试计算集合与匹配结果的距离。
由于该服务正在运行，因此无法使用相同的源文件进行标识。 让我们使用一些来源，例如带有来自同一位艺术家的许可音乐的电影…
……好吧，whaddayaknow ？！
然后，使用电影中的样本。
并为此示例创建哈希：
jci @ / tmp：$ echoprint-codegen sample.mp3 | jq -r’。[0] .code’> search.txt
标识现在应该可以正常工作：
现在是无聊的部分。
我们需要找到分数较高的索引。 索引35应该是我们JSON文件的第37行。 好吧， 以前告诉过你 。
我们有一个虚拟行“ [”来写入整个JSON有效负载的开头，并且行号应从零行开始。 因此索引35是第37行。基本的书呆子数学。
使用set_int方法给出相对更近的数字…
第一个是最接近的一个。 我们来看第二个结果：
有用！
让我们破坏样本，只是为了好玩。
用Audacity打开它，更改采样率，并增加一些噪音。
单声道8k，重采样会带来一些失真和失真。 可能出什么问题了？
分数从205下降到120。但是，仍然在两个结果的比较值之内。
让我们对电影的另一个示例进行相同的操作。 这次有更多背景噪音。 和一个完全不同的表演者。
我们得到不同的结果。 这就是我之前所说的“诡计”。
因此，让我们增加样本量。 原来是19秒。 这是40秒。
完全不同的结果。 这不是因为背景噪声，不是因为采样率（电影未修改），也不是因为音频处理过程。 这仅仅是由于表演者的改变。 声音是相似的，但是回声打印“仍然看不见东西” 。 并且样本大小发生了变化（19秒对40秒）。
所以你有它。
在结束之前，我想介绍一些有趣的观点。
- Spotify（有点猜测）现在拥有代码。 “令人惊讶的是”自2016年甚至更早以来没有添加任何代码。 我想知道为什么…
- Python echoprint库缺乏很多注意事项。 实际上必须添加一些陷阱代码（并非例外），因为大型库或段错误可能会使echoprint-codegen内存不足，并偶尔吐出“ null”。 当然，在Feed CLI魔术上添加一些“ egreps”可以解决该问题，但请快来！ 1996年又结束了吗？
- 索引编制也有很多问题。 在为2444首歌曲编入索引（没有玩笑）之后，它崩溃了。 尝试了全部：在其他地方（另一台计算机）创建指纹，然后重新编制索引（不起作用）。 两次使用之间重新引导（不）。 最终放弃了，但是在让计算机着火之前，我决定运行常规的分析工作。 这也给了我另一个彻底烧掉计算机的理由。
- 我还没有使用Shazam或其他ID服务对样本量进行任何其他结论性测试。 这些测试以19秒失败，但是40秒（平均样本时间为30秒）似乎达到了检测的最佳效果。 30秒对于4:30的歌曲来说是很多…
似乎倦怠是真实的。 Yu
