我正在尝试解决以下问题：

假设我有一个参考声音，并且我知道的录音至少包含一次参考声音。如何确定音频中播放声音的位置？较长的录音可能有噪音，我不能假设与录音中播放的声音完全一致（意思是，如果我知道除了参考声音之外的录音中播放的声音的内容，我不能只是减去从录音本身）。

我正在尝试的方法如下：

1. 从录制的声音中抓取参考声音的大小
2. 对于每个窗口，计算 N 个主频率（通过在 FFT 结果中找到峰值幅度）
3. 将点分配给参考声音的主要频率（其中最主要的得分为 N，最少的得分为 1）
4. 将窗口的主要频率与这些频率进行比较并对其进行评分

接下来的几个部分只是实验性的，用于缩小结果范围。

5. 对匹配项进行一些过滤（例如，分数低于可能分数一半的匹配项被过滤掉）
6. 查看重叠匹配并计算与参考声音的互相关（使用每个可能的时间偏移，更喜欢最大结果）。更喜欢需要较小班次的比赛
7. 在匹配的端点上执行该转变

问题是我还想检测是否播放了部分参考声音，如果参考声音快速连续播放两次，其中一个被切断，第 6 步将不允许这样做。

似乎必须有一个不像这样临时的解决方案。我对DSP领域很陌生，所以可能有些简单的东西我不知道。

有任何想法吗？

谢谢！