开发音频频谱_【原创】10大音频处理任务，助你开启深度学习之路（附案例链接）...

编者按：过去的2017年是硕果累累的一年，它见证了机器学习技术的突飞猛进，也见证了智能语音交互在中国市场上的真正爆发。随着众多语音识别技术纷纷落地，大量开源音频资料数据集逐渐涌现，无论是对在校的学生，还是已经就业的数据科学家，学会将深度学习技术应用于音频处理将是一个明智的选择。

近日，数据科学家、深度学习爱好者Faizan Shaikh分享了入门深度学习的10个音频处理任务，让我们阅读原文来一探究竟。

1.音频分类

音频分类是语音处理领域的一个基本问题，从本质上说，它就是从音频中提取特征，然后判断具体属于哪一类。现在我们已有许多优秀的音频分类应用，如genre classification、instrument recognition和artist identification等。

解决音频分类问题的常用方法是预处理音频输入以提取有用的特征，然后在其上应用分类算法。例如在下面这个案例研究中，它给定时长为5秒的声音转录，要求制作一个分类器/神经网络确定声音属于那一类——狗吠声还是钻孔声。文中给出的解决方案是提取一个名为MFCC的音频特征，之后再用神经网络找到合适的类别。

案例：Getting Started with Audio Data Analysis using Deep Learning

2.音频指纹识别

音频指纹识别的目的是从音频中提取一段特定的数字摘要，用于快速识别该段音频是否来自音频样本，或从音频库中搜索出带有相同数字摘要的音频。Shazam是当前比较出色的音频指纹识别应用之一，输入2—5秒音乐后，它能迅速识别出音乐具体来自哪首歌曲。就当前的行业标准而言，现在开发的工具基本都能完成相关任务，但在背景嘈杂、高噪声的环境下，这类技术还存在