我目前正在编写一个专门的视频编辑器。它是专业的，因为我学校的讲师使用它来录制电子学习讲座。它使用C#、WPF和Microsoft Expression Encoder。剪切和插入视频等基本功能已经完成。现在我正试图找出一种声音识别的方法。这个怎么运作：
- 用户选择视频的一部分
- 视频编辑器会记下该部分的声音
- 视频编辑器在视频的其余部分搜索类似的声音
- 视频编辑器会突出显示视频的这些部分，并为用户提供编辑它们的机会。
视频采用 xesc 格式。任何人都可以指导我到任何可以帮助实现这一目标的图书馆/教程吗？对不起，我是声音分析和编辑的新手。
目前找到的库：Naudio & Mediainfo.dll 但是，这些库不支持 xesc。我是否应该事先将这些视频转换为 mp4 以便于进行声音分析？是否有任何算法来检测相似的声音样本？
抱歉，添麻烦了！谢谢！