Сравните две спектрограммы, чтобы найти смещение, при котором они соответствуют алгоритму.

Интересно, не могли бы вы использовать преобразование Хафа. Вы бы начали с каталогизации каждого шага вступительной последовательности. Допустим, вы используете шаги по 10 мс, а последовательность открытия длится 50 мс. Вы вычисляете некоторую метрику на каждом шаге и получаете

1 10 1 17 5

Теперь просмотрите свой звук и проанализируйте каждый шаг в 10 мс для одной и той же метрики. Назовите этот массив have_audio

8 10 8 7 5 1 10 1 17 6 2 10...

Теперь создайте новый пустой массив той же длины, что и have_audio. Назовите это start_votes. Он будет содержать «голоса» за начало вступительной последовательности. Если вы видите 1, возможно, вы находитесь на 1-м или 3-м этапе вступительной последовательности, поэтому у вас есть 1 голос за вступительную последовательность, начинающуюся 1 шаг назад, и 1 голос за вступительную последовательность, начинающуюся 3 шага назад. Если вы видите 10, у вас есть 1 голос за вступительную последовательность, начинающуюся 2 шага назад, 17 голосов за 4 шага назад и так далее.

Итак, для этого примера have_audio ваш votes будет выглядеть так:

2 0 0 1 0 4 0 0 0 0 0 1 ...

У вас много голосов на позиции 6, поэтому есть большая вероятность, что вступительная последовательность начнется именно там.

Вы можете улучшить производительность, не утруждая себя анализом всей вступительной последовательности. Если вступительная последовательность длится 10 секунд, вы можете просто искать первые 5 секунд.

Описание алгоритма, используемого службой shazam (который идентифицирует музыку по короткому, возможно, шумному образцу) здесь: http://www.ee.columbia.edu/~dpwe/papers/Wang03-shazam.pdf
Насколько я понял, первое, что нужно сделать, это изолировать пики в спектрограмме (с некоторыми настройками для обеспечения равномерного покрытия), что даст «созвездие» пары значений (время; частота) из исходной спектрограммы. После этого выборочное созвездие сравнивается с созвездием полного трека путем перемещения окна длины выборки от начала до конца и подсчета количества коррелированных точек.
Затем в документе описывается техническое решение, которое они нашли для быть в состоянии сделать сравнение быстро даже с огромной коллекцией треков.

Вот хороший пакет Python, который делает именно это:

https://code.google.com/p/py-astm/

Если вы ищете конкретный алгоритм, хорошими поисковыми терминами для использования являются «акустическая дактилоскопия» или «перцептивное хеширование».

Вот еще один пакет Python, который также можно использовать:

http://rudd-o.com/new-projects/python-audioprocessing/documentation/manuals/algorithms/butterscotch-signatures

Если вы уже знаете последовательность джинглов, вы можете проанализировать корреляцию с последовательностью вместо взаимной корреляции между полными 15-минутными треками.

Чтобы быстро рассчитать корреляцию с (короткой) последовательностью, я бы предложил использовать фильтр Wiener. .

Соответствующая страница — Деконволюция Винера. Идея состоит в том, что мы можем определить систему, чья импульсная характеристика h(t) имеет ту же форму волны, что и джингл, и мы должны найти точку в зашумленной последовательности, где система получила импульс (т. е. издала цзиндже).

Поскольку звон известен, мы можем рассчитать его спектр мощности H(f), а поскольку мы можем предположить, что в записанной последовательности появляется одиночный звон, мы можем сказать, что неизвестный вход x(t) имеет форму импульса, плотность мощности которого S(f) постоянна. на каждой частоте.

Учитывая приведенные выше знания, вы можете использовать формулу для получения фильтра «пропускающего джингл» (например, могут проходить только сигналы в форме джингла), чей выходной сигнал является самым высоким при воспроизведении джингла.