如何在音频文件/流中搜索内容？

我一直想知道有多少种不同的搜索技术,用于搜索文本,搜索图像甚至视频.

但是,我从未遇到过搜索音频文件内容的解决方案.

例如:假设我有大约200个播客以mp3,wav和ogg文件的形式下载到我的电脑上.它们都被命名为podcast1.mp3,podcast2.mp3等等.因此,如果没有实际听到内容,就无法知道内容是什么.让我们说,我有兴趣发现,播客谈论"游戏编程".我希望结果显示为:

Podcast1.mp3 - 时间索引(s)的3个结果 - 0:16:21,0:43:45,1:12:31

Podcast21.ogg - 在时间索引(0) - 0:12:01获得1个结果

所以我的问题:

怎么能解决这个问题呢？

是否有合适的算法开发来做这样的事情？

在我的脑海中出现的一个想法是,可以使用"语音到文本"软件来获取每个音频文件的时间索引的成绩单,然后解析成绩单以获得输出.

我认为这是我的业余爱好项目之一.谢谢!

如果要在音频流中搜索文本(即所说的内容),则必须使用某种语音识别算法对其进行处理,并将文本存储为与文件关联的元数据.对于视频,您还可以对视频内的文本进行文本识别.Evernote已针对图像文件中的文本执行此操作,但据我所知,它不支持音频.

使用音频搜索音频时可能会出现类似情况.我不知道这些算法的细节,但我猜它们涉及某种频率分析.Shazam正在使用这种技术来识别基于音频剪辑的歌曲.

以下是一些可能有用的维基百科文章:

语音识别

快速傅立叶变换

频率分析(频谱)

光学字符识别(OCR)