我正在尝试构建一个 C# 应用程序来检测视频中何时出现音乐。 我可以找到所需的任何格式的音频。然而，我在音乐检测方面遇到了瓶颈。
有很多关于音频指纹识别以及如何使用 C#/任何语言进行指纹识别的帖子。但是，我想要电影中音乐出现的大致进出时间，我不关心音乐是什么。
音乐不太可能存在于任何指纹数据库中。完全计算分析也可能如此。
有什么妙招吗？还是我最好实现节拍检测算法并逐个处理它。然后估计入/出点？
最佳答案
我能想到的只有两件事可以清楚地将“音乐”与所有其他音频/声音区分开来:
节拍:几乎所有作曲的音乐都有节拍。从理论上讲，这应该可以用 FFT 检测到，但使用的频率范围约为0.25hz 到 10hz(而不是通常的 20hz-20Khz)。在实践中？我不知道，但似乎值得一试。
调音:几乎所有专业音乐都有的东西，包括专业歌手的声音(当他们有音乐伴奏时)，但不任何其他声音是他们都将处于 12 音等调音阶的相同“调音”中。换句话说，它们的频率将始终被 2^(1/12) 的精确倍数分隔开。一旦调整建立起来，它们将永远处于这些步骤之间的间隙中。包括人声在内的正常声音遍布整个频谱，但音乐几乎总是在音阶的 +/- 10 音分范围内。
方法一不太靠谱，不知道有没有人试过。
但#2 是确定的，您实际上可以使用音频频谱分析仪看到这一点，但 FFT 必须具有非常高的辨别力(每个 Octave 至少 36 个格)。但也有一些问题，例如:
- 区分音乐和其他同步声音/噪音
- 弦乐器，如吉他和 fiddle ，经常“弯曲”音符走调
- 长号和无伴奏人声，可以在音符之间“滑动”，或者使用 Just-temper 而不是 Equal-temper 来制作和弦。
- 以编程方式确定电影中不同位置的“曲调”(不一定是绝对的，只是在任何一首音乐中保持稳定)
- 谐波:音符通常不仅仅是简单的正弦波，这意味着其中混合了很多谐波频率。和声不像音阶那样是指数级的，它们是整数倍，所以它们不与基音对齐。幸运的是，谐波的振幅几乎总是低于基音，因此应该可以只“寻找峰值”。
好吧，这些是我的“聪明”想法。现在只是实现的一个小问题……;-)
关于c# - 音乐检测(非识别)，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/14142674/