不是真正的答案，但通常当人们说话时，单词、句子、想法等之间会有停顿。音乐（使用多种乐器）是相当连续的。即使一种乐器停止，另一种乐器也可能仍在演奏。因此，音频流中的停顿会更少。不过只是猜测。

您可以做的另一件事是查看频率，声音通常在 300Hz-4kHz 范围内（这是电话最初用作带宽的范围），而乐器通常更宽。超出人类范围的频率可能表明我在此处随机找到该图像的仪器

可能有一些重叠（有些人似乎在用无人机说话或唱歌），但音乐的时间和音高分布可能包含更多的音高或浊音频率，这些频率由半音间隔隔开（至少对于西方人来说），与典型的无线电新闻播音员的讲话相比，音高的更突然的变化以接近或接近某些固定速度间隔的一些倍数间隔开。例如，与大多数语音相比，大多数音乐的压缩光谱仪将显示更多的垂直和水平棋盘图案。