您误解了 DTW 的工作原理。您实际上可以调整帧删除/插入成本以调整您可以容忍多少时间不匹配。

我们会有：DTW("Puuuum pum tchak", "Puuum pum tchak") < DTW("Puuuum pum tchak", "Pum pum tchk") < DTW("Puuuum pum tchak", "Puuuum pum tchak", "Puuuum pum tchak")。

也就是说，如果有一个时序完美的样本，它总是会比时序错误的样本产生更高的DTW分数。可以通过调整 DTW 对齐成本来调整相似音色和相似时序之间的权衡。DTW 的一个有用之处是它找到了“查询”和找到的样本之间的最佳对齐 - 因此您可以使用它找到的路径对结果进行时间拉伸/相位语音编码，并将其与查询完美对齐。

目前尚不清楚您的应用程序对时间的敏感程度；哪些特征最重要（整体音色？拟声词哪个发音？）；以及您可以对找到的剪辑进行何种处理以使它们与查询更好地对齐。如果节奏/时间是绝对必要的，你可能想用一个起始检测器来处理每个样本；并将您的搜索限制在具有正确起始数量和正确间隔时间的剪辑集。

如果您对节奏差异绝对没有容忍度，那么您可以很好地计算两个剪辑之间的成对距离的平均值（如果它们的长度不匹配，则用零填充）。这有点傻，但您的应用程序可能需要这样。

最后，如果您的查询和样本都可以接受相同的特定域表示（例如节拍器节奏和鼓循环都可以转录为“低音鼓”和“小鼓”事件） - 它可能有助于转录所有剪辑并匹配转录而不是音频信号。