我正在处理MP3文件，遇到此问题。我的MP3是立体声编码的。我要做的是提取人声部分以进行进一步处理（无论输出信号的模式是哪种，单声道或立体声都可以）。
据我所知，音频在MP3中被编码为不同的不相交的子频带。我认为我可以通过适当设置截止频率的高通/低通滤波器将信号限制在人声范围内。但是，在这种情况下，结果必须包含纯音乐信号的一部分。或在谷歌搜索之后，我想我可能会首先计算背景信号（通过将一个声道与另一个声道的信号相加而得到反相，并假设声音部分位于称为相位消除的立体声音频中）。经过此变换后，信号为单声道。然后，我应该将原始立体声合并为单声道，然后从中提取背景信号。
考虑到有效性，哪个是首选（或任何其他解决方案：）？如果是第二个，让两个通道A和B，计算背景时将使用（BA）还是（AB）？与合并两个通道一样，算术方法是否足够准确？或者我可以将每个通道下采样两倍，然后将下采样信号交织为单声道结果？
谢谢和最好的问候。
Answers:
首先，除非您打算进行压缩域处理（这很愚蠢），否则如何将数据编码到mp3文件中与该问题无关。因此，您可以假设您的算法将适用于解压缩的时域数据。
和/差是声音抑制（不是提取）的非常非常基本的技巧。它基于这样的假设：人声在立体声场的中心混合，而其他乐器则在水平方向上声像。这很少是真的。LR和RL听起来一样（人耳对全局相移不敏感），并且会给您单声道混音，而不会在中央混音乐器。问题是，一旦您恢复了背景，将如何处理？尝试从中心（平均）信号抑制它？这将行不通，您将要做（L + R）/ 2-（L-R），这不是很有趣。您可以尝试将这些线性组合（平均和“中心移开”），不进行任何操作会出来的！
关于滤波方法：声音的f0很少超过1000 Hz，但是它的谐波可以超过该范围。删除最高频率会使辅音（尤其是sss，chhh）不愉快。一些男性声音低于100 Hz。不过，您可以安全地削减50或60 Hz以下的任何频率（低音，底鼓）
语音分离的一些最新进展值得探索：
感谢您的参考！您忘了提到您在鼓增强方面的工作，这对于Summer_More_More_Tea的应用程序可能也很感兴趣。好吧，这真的取决于您要使用它做什么。您是否有特定的“最终应用程序”？
我完全同意pichenettes的上述声明。为了完整起见，我要说的是，MattiRyynänen在卡拉OK音轨生成的一些作品中也使用了您提到的声音增强效果。
要回答您的问题：
考虑到有效性，哪个是首选（或任何其他解决方案：）？
正如皮亨特所说，似乎都不符合您的需求：低通/高通滤波注定会失败，因为人声的谐波结构（通常是任何“有趣”的声音，即正弦波以外的任何声音……） ）。
如果是第二个，让两个通道A和B，计算背景时将使用（BA）还是（AB）？与合并两个通道一样，算术方法是否足够准确？
同样，您提到的第二种方法将不会执行，因为您只能删除中间的信号，而无法检索它。换句话说，即使人声在“中心”，也没有简单的数学方法获得人声信号。
或者我可以将每个通道下采样两倍，然后将下采样信号交织为单声道结果？
差...如上所建议，对通道进行平均以获得单通道信号是有意义的，并且不会破坏信号的频谱特性（假设立体声信号未退化）。因此，您获得的单声道信号基本上具有与以前相同的音乐内容。
正确地对每个通道进行降采样意味着您首先要使用一个低通滤波器（在您的情况下，截止频率为ampling_rate / 4），然后可以安全地每2个采样。但是，对于交错采样的通道并没有太多要说的：在大多数情况下，这破坏了信号的频谱特性。您可能不想要那样。
实际上，低通滤波的操作随后是将每2个样本设置为0，并将这些0的引线在傅立叶域中保持为“镜像”保留在高频分量上的低频分量。记住，您会在采样理论上给信号处理课上信号：乘以一系列脉冲（或狄拉克）会导致在傅立叶域中与另一个狄拉克序列卷积，也就是说，在这种情况下，信号的频谱会被重复（周期化）沿频率轴，周期等于采样率。
通常，在下采样时，您会删除0（因为您假设使用新的采样率）。但是在这里，保留它们会导致非常令人讨厌的其他高频成分。交织这些信号并不能解决这个问题。
好吧，总而言之，简短的答案：不要那样做。:-)
最后，我还建议您使用为LVAICA 2012会议开发的GUI：有一个git repo。我仍在调试和改进它，因此欢迎发表评论：D
希望有帮助！