我有两个声音片段这是非常相似的。我想衡量它们在感知上的相似程度，即人类感知两者的相似程度。有没有办法使用有损压缩算法（例如 MP3、AAC 或 Ogg Vorbis 编码器）来比较两个剪辑？
我突然想到，音频压缩器已经包含大量关于心理声学和人类对声音的感知的知识，内置于其中。有没有一种好方法可以使用它们来测量两个剪辑的相似程度？
也许像， 在哪里是声音剪辑的压缩长度， 和是连接两个剪辑的结果吗？或者也许找到最高的比特率，这样 接近通过一个简单的度量（例如，应用于 FFT 频谱的 L2 范数），其中是压缩的结果在那个比特率然后解压缩它？或者其他类似的东西？有人研究过这个吗？
如果相关，这两个剪辑非常相似：一个是通过对另一个进行转换获得的。它们在时间上对齐并且具有相同的长度。每个都相对较短（最多几秒钟）。我进行了一些搜索，但没有找到任何讨论这种方法的参考或研究论文——不过，也许我还没有找到。
有没有一种好方法可以使用它们来测量两个剪辑的相似程度？
这是一个非常理智的直觉，但我在文献中很少看到 - 除了从压缩流中进行特征提取的外围想法（这里的动机只是减少计算负担）。
我认为主要原因是音频编解码器不存储音频数据的感知表示。相反，它们存储了一个非常以编码为中心的音频表示——熵编码、量化、变换系数——被选择为使得原始信号和编码信号之间的失真低于感知阈值。从某种意义上说，查看压缩的音频流并不能告诉您人类将如何感知音频信号。它只是告诉你，任何低于感知阈值的东西都被拿走了。编解码器“雕刻”有意义的音频信号，但从不接触它。
其中 L(x) 是声音剪辑 x 的压缩长度，C1||C2 是连接两个剪辑的结果？
这在字符串上是有意义的——我认为这个想法是在 Cilibrasi 或 Vitanyi 的一些论文中发现的——但这不是音频编解码器的工作方式。您提到的音频编解码器旨在以低延迟处理流式音频，因此它们一次只能“看到”一个短信号窗口，并且不会尝试消除长期冗余。就像图像的JPEG一样。一个接一个地复制同一音符的 10 个实例将导致文件变大 10 倍。音频编解码器具有固定比特率，或根据编解码器看到的窄信号窗口的内容调整的自适应比特率。
音频编解码器消除的冗余是非常短期的。
您的想法将需要一个更复杂的“面向对象”编解码器，该编解码器试图将音频分解为对象的层次结构，例如音符。这个想法在学术界还处于起步阶段。
另一种看待它的方法是检查解码过程是否与信号的生成模型相似。某些字符串压缩算法就是这种情况，其中压缩过程会恢复类似于字符串的生成语法（Sequitur，factor oracles ...）。基于 LPC 的语音编解码器就是这种情况，其中 LP 系数嵌入了关于发音的知识，以及关于韵律和发声/清音的剩余知识——压缩流可以被视为语音合成器的数据。但是，对于您提到的通用音频编解码器而言，情况并非如此-解码器与音乐制作过程没有相似之处。
或者可能通过简单的度量（例如，应用于 FFT 频谱的 L2 范数）找到最高比特率，使得 F(C1) 接近 F(C2))
您可能会做相反的事情 - 查看剪辑变得无法区分的比特率，但最终它不会比比较由感知函数修剪的正弦表示容易得多。