如何将声音作为输入输入到神经网络？

Question

我正在计划建立一个软件，可以使用人工神经网络将一段音乐分类为好坏。为此，我需要将音频转换为一些数值，以便作为输入提供给NN。因此，为了训练NN，我首先下载了billboard Hot100歌曲(我认为它们应该被归类为好音乐)，还下载了一些糟糕的噪音音频文件(它们将被归类为糟糕的音乐)。然后，我将它们转换为.wav格式，然后将每个文件拆分为多个.wav文件，每个文件的长度为2秒。我计划使用快速傅立叶变换将这些音频剪辑转换为频率-振幅对，但问题是，即使我们使用2秒的剪辑，它的FFT也会生成大约100,000个这样的对的数组。对数以千计的音频文件这样做会产生具有太多特征的太大的数据集。

我想知道，有没有办法缩短这个数据集，同时保留“音乐的本质”，以便做出更好的预测？或者我应该使用一些其他的算法/过程？

Answer 1

首先，你可以像这样使用extract the various audio features：

1)紧凑性。

2)震级谱。

3) Mel倒谱系数。

4)音高。

5)功率谱。

6) RMS。

7)节奏。

8)频谱质心。

9)光谱通量。

10)谱RollOff点。

11)光谱可变性。

12)零交叉。

生成功能集后，您有两个选项：

A)通过采用均值和/或方差来聚合歌曲的特定特征，将歌曲的所有特征连接起来，然后馈送到人工神经网络并执行分类任务。

B)使用Recurrent Neural Network执行分类任务。