检测歌曲中人声的开始位置？

Question

检测歌曲中人声开始的最佳方法是什么？我只需要人声的开始时间。无需极高的精度。速度更重要。

非常感谢任何论文或算法的线索（如果存在的话）。还要寻找关于哪种框架/语言最适合此的建议。

Answer 1

* SPOILER：答案不是*

由于我打算做类似的事情，我自己做了一些关于这个问题的研究，发现有一些确切的数字技术可以做到。

我将列出参考文献，并让读者决定这是否是正确的方法。这一切都与声音音频特征提取有关，并在音频数据中找到声音特征。

你可以从这里开始，但它确实没有引导任何地方，但是看看你有什么用途可能很有用：）

http://en.wikipedia.org/wiki/Voice_activity_detection

然后，一些关于说话人识别的文章：

在这里，您需要了解有关mel frequency cepstral coefficients（MFCC）特征提取的入门知识。

http://www.speaker-recognition.org/navAlg.html

然后，例如，这个：

http://www.iccce.co.in/Papers/ICCCECE358.pdf

我知道他们都没有直接解决你的问题，但至少你能掌握你将要处理的怪物的大小。

编辑：框架

我使用c＃作相关的东西，起初我使用roll-my-own fft算法，然后转移到使用Intel数学库的ILNumerics库，后来用fftw替换了所有这些。

http://ilnumerics.net/（嗯，它一次是免费的）

http://software.intel.com/en-us/articles/intel-mkl/英特尔数学核心

http://www.fftw.org/（一个简单的网页，但是BRUTAL表现）

编辑：新的fft引擎

由于我将一些代码移植到了android上，我有一个很棒的工作经验，一个人做了一些不可思议的事情--FFT库甚至比FFTW更快：FFTS。我对他的魔力的理解是有限的，但是他将codelet用于各种处理器架构，并且优于每个库。

Answer 2

检查信号功率对流行音乐没有帮助。这是因为当代流行音乐受到高度压缩。这意味着音频级压缩器应用于制作过程的多个阶段，以使歌曲显得更响亮。有关详细信息，请参阅“响度战争”一词。例如，请参阅Caty Perry的歌曲“firework”。整首歌的音量水平几乎不变。