寻求可本地处理大音视频文件的音乐识别库（需提取时间戳）

第一步：预处理音视频文件（提取音频并标准化） #

大型视频文件（如Twitch VOD）需先提取音频并转成适合处理的格式，用ffmpeg即可高效完成本地处理：

# 从视频中提取音频，保存为WAV格式
ffmpeg -i input_vod.mp4 -vn -acodec pcm_s16le -ar 44100 -ac 2 output_audio.wav

参数说明：-vn忽略视频流，-ar设置44100Hz采样率，-ac设置双声道，这些参数能保证后续识别的准确性。

第二步：使用本地音乐指纹库Dejavu #

Dejavu是纯本地的音乐指纹识别系统，可离线建立歌曲指纹库，匹配音频片段并输出时间戳，完全适配大文件本地处理需求。

配置与使用步骤： #

1. 安装依赖：pip install dejavu，确保系统已安装ffmpeg和sqlite3（多数系统默认自带）。
2. 建立参考歌曲指纹库：
   • 新建文件夹存放需要识别的参考歌曲（如歌曲A、B、C的音频文件）。
   • 运行代码初始化指纹库：

     from dejavu import Dejavu
     from dejavu.config import DEFAULT_CONFIG
     
     # 配置本地SQLite数据库存储指纹
     config = DEFAULT_CONFIG
     djv = Dejavu(config)
     
     # 为参考歌曲生成指纹
     djv.fingerprint_directory("path/to/your/reference_songs", [".mp3", ".wav"])
     

3. 识别目标音频并输出时间戳：

   # 处理预处理后的音频文件
     results = djv.recognize("file", "output_audio.wav")
   
     # 转换时间格式并输出
     def sec_to_hms(seconds):
         h = int(seconds // 3600)
         m = int((seconds % 3600) // 60)
         s = int(seconds % 60)
         return f"{h}:{m:02d}:{s:02d}"
   
     for match in results['matches']:
         song_name = match['song_name']
         start_sec = match['offset_seconds']
         end_sec = start_sec + match['song_duration']
         print(f"{song_name}: {sec_to_hms(start_sec)} - {sec_to_hms(end_sec)}")
   

备选方案：librosa结合自定义指纹匹配 #

若需要更灵活的控制，可使用librosa提取音频特征，自行实现指纹匹配逻辑：

1. 安装librosa：pip install librosa
2. 核心逻辑：
   • 为参考歌曲提取梅尔频谱特征作为指纹。
   • 滑动窗口遍历目标音频的特征，与参考库匹配，筛选相似度最高的片段并记录时间戳。
   • 该方案需自行编写匹配逻辑，适合有一定编程基础的用户。

注意事项 #

• 参考歌曲的音频质量需与目标文件中的歌曲尽可能一致（减少背景噪音），否则识别准确率会下降。
• 对于数小时的超长音频，Dejavu会自动分块处理，无需担心内存溢出问题。
• 若识别结果误差较大，可调整Dejavu的指纹参数（如fingerprint_limit）优化效果。

内容的提问来源于stack exchange，提问作者ruzat