特征提取以进行声音分类

我正在尝试从声音文件中提取特征，并将声音分类为属于特定类别（例如：狗吠，汽车引擎等）。我想在以下方面做一些澄清：

1）这完全可行吗？有些程序可以识别语音，并可以区分不同类型的狗吠。但是，是否有可能有一个程序可以接收声音样本并仅说明它是哪种声音？（假设有一个包含很多声音样本的数据库）。输入的声音样本可能有点嘈杂（麦克风输入）。

2）我假设第一步是音频特征提取。该文章建议提取的MFCC并将这些资料传送到机器学习算法。MFCC是否足够？还有其他通常用于声音分类的功能吗？

感谢您的时间。

1. 从长远来看，它是可行的-在什么程度上呢？你会看见。环境声分类的这项任务还没有得到很好的研究。机器学习范式的选择也很关键-统计方法还是二进制分类器？您可以从GMM，ANN和SVM开始-我选择GMM和ANN。
2. 是的，大多数人都在使用MFCC，因为它们与人们实际听到的声音紧密相关，而且自那时以来，没有人提出更好的建议。您可能还需要添加其他功能，例如MPEG-7描述符。必须执行适当的功能优化，因为有时您不需要太多功能，尤其是当它们不可分离时。有关更多信息，请参阅我以前的答案：

从光谱中提取特征

MFCC提取

声音检测

非语言音频（更不用说环境了）似乎是主流机器学习媒体类型（如图像，语音，文本）的弟弟。

要回答您的问题，是否可以训练网络来识别给定的声音？是的！但是出于所有相同的原因，很难学习机器学习。

但是，真正使Audio退缩的原因，以及为什么我称它为图像和语音的小兄弟，是因为Audio缺少大规模的标签数据集。对于语音，有TIMIT；对于图像，有ImagenNet，CIFAR，Caltech；对于文本和自然语言处理，有大量文献等。

据我所知，最大的两个非人类语音标签音频数据集是UrbanSounds和ESC-100数据集，对于真正的深度学习方法而言，它们的体积很小。在使用2层ConvNet的这些数据集上，有些公开的混合结果。

MFCC特征通常是语音识别和音频分析中公认的基线特征表示。但是还有大量其他音频功能表示！该文给出了音频功能类型的一个很好的分类法。

我最近看到的最令人兴奋的声音分类工作是由DeepMind的一些人（称为WaveNet）完成的。

这是一个针对10类声音分类的解决方案：狗叫，汽车喇叭，儿童游戏等。它基于使用神经网络的张量流库。通过将声音片段转换为频谱图来提取特征

是的，这是非常可行的。尽管神经网络在这种分类训练方面很出色，但甚至没有必要-具有精选的功能集，仅经典聚类算法（例如高斯混合模型或主成分分析）也可能会做。现代图书馆大约95％或更多的时间可以正确处理这些内容。