python - 识别以口语介绍开头的 MP3 文件中钢琴音乐的开头，并使用 Python 删除口语部分

Question

我有许多 .mp3 文件，它们都以简短的语音介绍开始，然后是钢琴音乐。我想删除语音部分，只留下钢琴部分，最好使用 Python 脚本。语音部分是可变长度的，即我不能使用 ffmpeg 从每个文件的开头删除固定的秒数。有没有办法检测钢琴部分的开始，然后知道使用 ffmpeg 甚至使用 Python 本身删除多少秒？谢谢

Answer 1

如果你想要一个好的结果，这是一个不平凡的问题。

快速而肮脏的解决方案将涉及推断参数，例如：

• “扬声器和钢琴之间通常有 15 秒的无音频或低分贝音频”
• “钢琴曲中间通常没有 15 秒的无音频或低分贝音频”

然后使用这些参数尝试使用音频分析库获得“足够好”的东西。

我怀疑你会对这种方法感到失望，因为我可以想到许多带有长时间停顿的钢琴曲，这读起来就像一个经典的 ML 问题。

这里最好的解决方案是将 ML 与分类模型和大型数据集一起使用。这是一个可能会帮助您入门的演练。但是，这不会是几分钟的编码。这是一个典型的 ML 任务，将涉及收集和标记大量数据（或访问预先标记的数据）、构建 ML 管道、训练神经网络等。

这是另一个可能有用的链接。他正在使用预训练模型来减少开始所需的数据量，但您仍然需要投入大量工作才能实现这一目标。