将500,000个音频文件分组（多次重复）的最佳方法？

Question

我有一个500,000个用户上传的音频文件的数据库，包括：

• 歌曲
• 电影中的音频片段
• 在线随机音频文件
• [用户录制的音频剪辑（例如，带有麦克风）

虽然音频文件的标题不一致，有时甚至是不正确，但标题却不正确。

[许多重复项之间存在细微差异：标题差异，音频差异（长度，压缩，音高等）。我想将每个音频文件放入一个与其对应的类别。 “它是什么”是指基于音频的那个音频文件中最相关的标题（不是标题）。

例如，“ Michael Jackson-Thriller”可能有30种不同的音频文件，它们的长度，压缩级别，标题不同，等等。这些都应归为一类，并带有正确格式的歌曲标题。

某些音频文件将无法以编程方式正确地命名。例如，此视频https://www.youtube.com/watch?v=ee925OTFBCA的音频在数据库中将有很多实例，但是我认为那里没有能够对其进行标题的API。在这种情况下，只要仍可以将它们匹配为相似的发音并将其放在一个组中，就可以从剪辑已经具有的标题中选择一个标题。我想我可以通过找出与所有这些人“最相似”的标题（例如，最高的平均Sørensen-Dice系数）来做到这一点。

还有一部分用户记录的剪辑，由于它们仅存在于此数据库中，因此无法以编程方式对其进行标题/分组。

作为不一致的头衔的例子，贝多芬的《第六交响曲》可能有很多不同的名字，例如：

• 第6交响曲（贝多芬）
• 贝多芬第六交响曲
• 贝多芬6
• Beathoven第六重音（故意拼写错误）

为了对这些文件进行分类，我计划对每个文件执行以下操作：

• 使用音频识别API尝试识别它，如果可以识别，将其放在类别中
• 如果无法识别，请跨数据库检查非常相似的音频剪辑
• [如果音频数据库中存在匹配项，则将该音频剪辑链接到该匹配项，以便将其与匹配的音频剪辑放置在相同的类别中（如果匹配的剪辑尚无类别，则在它给出一个）
• 如果没有匹配项，则将文件放置在其自己的类别中，并带有其先前的标题

这样做的目的是使数据库更小，更好地分类，以便使用更少的存储空间，并使最终用户更容易搜索和导航。

现在，搜索某些音频片段会打开数百个相同的文件，但会有细微的差异。这是我们要解决的主要问题。

我有三个问题：

• 哪种音频识别API最适合识别音频文件？尤其要考虑到正在识别的剪辑类型和定价
• 应该使用哪个API比较音频文件以找出相似之处？需要考虑将这些数据库与之进行比较的数据库的大小]
• 我的方法是否存在某种缺陷？如果是这样，您将如何处理此任务？

Answer 1

获得整个音频文件的简要描述通常称为“音频指纹”。

有很多解决方案。 MusicBrainz.org文档的good overview包括商业产品和开源项目。他们自己的最新方法（也可以作为开源使用）是AcousticId。