基于Python的声音检测：嵌入式平台指定音频播放验证测试咨询

针对非实时环境下无法获知乐音播放时间的问题，核心通过无时间同步的音频特征匹配来验证目标声音是否播放，具体步骤如下：

一、录制环节准备 #

• 用麦克风采集嵌入式平台输出的音频，保存为与预期文件一致格式的WAV（统一采样率、位深，降低后续处理误差）
• 提前录制环境底噪样本，后续通过谱减法或带通滤波去除录制音频中的环境干扰，提升匹配准确性

二、核心匹配逻辑 #

放弃原始波形直接对比（易受音量、环境波动干扰），采用鲁棒性更强的特征匹配方案：

• 提取音频特征：对预期音频和录制音频分别提取梅尔频率倒谱系数（MFCC）或短时频谱特征，这类特征能过滤无关干扰，保留乐音的核心音色、节奏信息
• 动态时间规整（DTW）匹配：该算法无需时间同步，能自动对齐两段音频的特征序列，计算相似度。即使嵌入式平台播放的乐音有轻微时长偏移，也能准确匹配
• 伪代码示例：

# 加载音频文件
expected_wav = load_audio("target_sound.wav")
recorded_wav = load_audio("captured_sound.wav")

# 预处理：音量归一化 + 降噪
expected_wav = normalize_volume(expected_wav)
recorded_wav = remove_noise(recorded_wav, noise_sample)

# 提取MFCC特征
expected_mfcc = compute_mfcc(expected_wav)
recorded_mfcc = compute_mfcc(recorded_wav)

# DTW计算匹配距离
match_distance = dtw_compute(expected_mfcc, recorded_mfcc)

# 阈值判定
if match_distance < PRESET_THRESHOLD:
    result = "目标乐音已播放"
else:
    result = "未检测到目标乐音"

三、阈值校准 #

• 多次录制无目标乐音的环境音频，计算与预期音频的DTW距离，取最大值作为基础噪声阈值
• 多次录制正常播放目标乐音的音频，计算DTW距离，取最小值作为有效匹配阈值
• 最终判定阈值取两者中间值，预留合理容错空间（比如基础阈值的80%）

四、特殊场景处理 #

• 若录制音频中无目标乐音，DTW距离会远大于阈值，直接判定未播放
• 若目标乐音重复播放，DTW会定位到所有匹配片段，可统计匹配次数验证播放次数是否符合预期
• 针对音量差异：先对两段音频做音量归一化处理，统一到相同分贝范围，避免音量波动影响匹配结果

内容的提问来源于stack exchange，提问作者Jakob Kristensen