在音频文件中查找音频样本（频谱图已存在）
我想要实现以下目标：
- 使用Skype，拨打我的邮箱（工作）
- 输入密码并告诉邮箱我要记录一条新的欢迎信息（有效）
- 现在，我的邮箱告诉我在发出哔哔声后记录新的欢迎信息
- 我想等待哔哔声然后播放新消息（不起作用）
我是如何努力实现最后一点的：
- 使用FFT和滑动窗口（工作）创建频谱图
- 为哔哔声创建“指纹”
- 在来自Skype的音频中搜索该指纹
我面临的问题如下：
来自skype和参考蜂鸣声的音频的FFT结果在数字意义上是不同的，即它们相似但不相同，尽管从具有Skype音频记录的音频文件中提取蜂鸣声。 下图显示左侧Skype音频的蜂鸣声频谱图和右侧的参考蜂鸣声频谱图。 如你所见，它们非常相似，但不一样……
上传了一张图片http://img27.imageshack.us/img27/6717/spectrogram.png
我不知道，怎么从这里继续。 我应该对其进行平均，即将其划分为列和行，并比较这些单元格的平均值，如此处所述？ 我不确定这是最好的方法，因为他已经声明，它对短音频样本效果不佳，并且哔哔声的长度不到一秒……
关于如何进行的任何提示？
您应该确定峰值频率和持续时间（可能是频率持续时间内的最小功率（ RMS是最简单的测量）
这应该很容易衡量。 为了使事情变得更加聪明（但对于这个简单的匹配任务可能完全没有必要），您可以在哔哔声窗口期间断言其他峰值不存在。
更新
要比较完整的音频片段，您需要使用卷积算法 。 我建议使用现成的库实现而不是自己编译。
最常见的快速卷积算法通过循环卷积定理使用快速傅里叶变换（FFT）算法。 具体地，通过对每个序列进行FFT，逐点相乘，然后执行逆FFT，找到两个有限长度序列的循环卷积。 然后使用该技术结合零延伸和/或丢弃输出的部分来有效地实现上面定义的类型的卷积。 其他快速卷积算法，例如Schönhage-Strassen算法，在其他环中使用快速傅里叶变换。
维基百科将http://freeverb3.sourceforge.net列为开源候选人
编辑添加到API教程页面的链接： http ： //freeverb3.sourceforge.net/tutorial_lib.shtml
其他资源：
http://en.wikipedia.org/wiki/Finite_impulse_response
http://dspguru.com/dsp/faqs/fir
在debian上使用相关工具的现有包：
[brutefir - a software convolution engine][3] jconvolver - Convolution reverb Engine for JACK libzita-convolver2 - C++ library implementing a real-time convolution matrix teem-apps - Tools to process and visualize scientific data and images - command line tools teem-doc - Tools to process and visualize scientific data and images - documentation libteem1 - Tools to process and visualize scientific data and images - runtime yorick-yeti - utility plugin for the Yorick language 首先，我会在频率方向上对其进行平滑处理，以使频率的微小变化变得不那么相关。 然后简单地取每个频率并减去两个幅度。 平衡差异并加起来。 也许首先将信号归一化，因此总振幅的差异无关紧要。 然后将差异与阈值进行比较。