我正在开发一种比较两个频谱图并为其相似度评分的方法。
我已经思考了很长时间了，如何选择整个模型/方法。
我用来制作频谱图的音频片段是从android手机录制的，我将它们从.m4a转换为.wav，然后处理它们以绘制频谱图，全部都在python中进行。
所有音频记录的长度都相同
那确实有帮助，因为所有数据随后都可以在同一维空间中表示。
我使用巴特沃斯带通滤波器对音频进行了滤波，由于它在信号的持久部分中表现稳定，因此常用于语音滤波。作为截止频率，我使用了400Hz和3500Hz
完成此过程后，输出如下所示
我的第一个想法是在该频谱图上使用OpenCV找到感兴趣的区域，因此我对颜色进行了过滤并获得了此输出，该输出可以粗略地用于获取信号的极限，但这会使每个剪辑的长度不同，我也许不想发生
现在要问我的问题-我正在考虑将这些频谱图嵌入多维点，并简单地将其准确性记为与最准确样本的距离，这要归因于某些类簇空间中的维数减少。但这似乎很简单，不涉及培训，因此很难验证。所以
是否有可能使用卷积神经网络或CNN->延迟NN之类的网络的组合将此频谱图嵌入到多维度点，从而可以不直接比较它们，而是比较网络的输出？
如果在这个问题上我有任何遗漏，请发表评论，我会立即解决，非常感谢您的宝贵时间。
约瑟夫·K。
编辑:
在尼古拉·希米列夫(Nikolay Shmyrev)提出建议后，我改用了梅尔(Mel)频谱图:
看起来似乎更有希望，但是我的问题仍然差不多，我可以使用像VGG16这样的预训练的CNN模型将这些频谱图嵌入到张量中，从而能够进行比较吗？如果是这样，怎么办？只需删除最后一个完全连接的层，然后将其展平？
最佳答案
我认为，并且根据Yann Lecun，当您使用Deep Neural Network定位语音识别时，您有两个义务:
和
您可以尝试使用RNN on tensorflow，但是您肯定需要很多训练数据。
如果您不希望(或无法)找到或生成大量训练数据，那么您将忘记深度学习来解决此问题...
在这种情况下(忘记深度学习)，您可以看看Shazam work(基于fingerprint algorithm)如何