1. 从长远来看，它是可行的——到什么程度？你会看见。环境声音分类的这项任务没有得到很好的研究。机器学习范式的选择也很重要——统计方法还是二元分类器？您可以从 GMM、ANN 和 SVM 开始——我选择 GMM 和 ANN。
2. 是的，大多数人都在使用 MFCC，因为它们与人们实际听到的内容密切相关，而且从那以后没有人想出更好的东西。您可能还想添加额外的功能，例如 MPEG-7 描述符。必须执行适当的特征优化，因为有时您不需要这么多特征，尤其是当它们不可分离时。更多信息请参考我之前的回答：

从光谱中提取特征

MFCC萃取

声音检测

非语言音频（更不用说环境）似乎是主流机器学习媒体类型（如图像、语音、文本）的小兄弟。

要回答您的问题，是否可以训练网络来识别给定的声音？是的！但这也很困难，原因与机器学习很难。

然而，真正阻碍音频的原因，以及为什么我称它为图像和语音的小兄弟，是因为音频缺乏大规模的标记数据集。对于语音有 TIMIT，对于图像有几个 ImagenNet、CIFAR、Caltech，对于文本和自然语言处理有大量的文献等。

据我所知，最大的两个非语言人类*标记音频数据集是 UrbanSounds 和 ESC-100 数据集，它们对于真正的深度学习方法来说太小了。使用 2 层 ConvNet 在这些数据集上发布了一些混合结果。

MFCC 特征通常是语音识别和音频分析中公认的基线特征表示。但是还有很多其他的音频特征表示！本文对音频特征类型进行了很好的分类。

我最近看到的最令人兴奋的声音分类工作是由 DeepMind 的一些人完成的，称为WaveNet。

这是一个针对 10 个类别的声音分类的解决方案：狗吠、汽车喇叭、儿童玩耍等。它基于使用神经网络的 tensorflow 库。通过将声音片段转换为频谱图来提取特征

是的，这是非常可行的。尽管神经网络在这种分类训练方面表现出色，但它们甚至可能不是必需的——如果选择了一组精选的特征，那么只有经典的聚类算法（如高斯混合模型或主成分分析）可能也能做到. 现代图书馆可以在大约 95% 或更多的时间内正确处理这些内容。