如何利用声纹识别短视频中的背景音乐名

项目目标

由于目前抖音，微视等短视频兴起，有些视频会使用小众歌曲作为背景音乐，小康就经常听到一些好听的背景音乐，但因为过去从未听过，总不能每次都靠歌词来搜索歌曲吧。如果能利用人工智能去识别就好了。下面将是利用声纹识别短视频中的背景音乐名的全部流程了。

环境准备

1.能运行python的pycharm
2.wav格式的歌曲素材
3.mysql数据库
（具体如何准备上述环境材料，小康就不多赘述啦，毕竟很多地方都有讲）

识别具体流程

1.语音识别的核心知识

    def fft(self, frames=40):
        block = []
        fft_blocks = []
        self.high_point = []
        blocks_size = self.framerate // frames  # block_size为每一块的frame数量
        blocks_num = self.nframes / blocks_size  # 将音频分块的数量
        for i in range(0, len(self.wave_data[0]) - blocks_size, blocks_size):
            block.append(self.wave_data[0][i:i + blocks_size])
            fft_blocks.append(np.abs(np.fft.fft(self.wave_data[0][i:i + blocks_size])))
            self.high_point.append((np.argmax(fft_blocks[-1][:40]),
                                    np.argmax(fft_blocks[-1][40:80]) + 40,
                                    np.argmax(fft_blocks[-1][80:120]) + 80,
                                    np.argmax(fft_blocks[-1][120:180]) + 120,
                                    # np.argmax(fft_blocks[-1][180:300]) + 180,
                                    ))

利用傅里叶变换，将音乐时域转化成频域，然后根据最大的振幅音频，来作为此音乐每40帧的特征值。

我们将此特征值记录下来，可以存到远程的mysql数据库：

        v.loaddata(path)
        v.fft()
        cur.execute("insert into fingerprint VALUES('%s','%s')" % (basename, v.high_point.__str__()))

我们来看一下数据库的结构：

CREATE TABLE `fingerprint` (
  `song_name` varchar(200) NOT NULL,
  `fq` longtext
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

国庆了，就录入一首我和我的祖国庆祝一下呗。

最后我们用歌曲来进行识别测试：

下面附上我的全部代码，其中数据库部分小康将会在近日注销，想要研究可以自行设立数据库哈~
识别歌曲项目源代码：
链接：https://pan.baidu.com/s/1MWF0JUxEeUvBPc4Lk-8RaA?pwd=2zhy
提取码：2zhy