嘿，我刚好折腾过类似的需求，给你拆解下可行的步骤，分两部分搞定：捕获系统输出音频和实时匹配检测目标声音。

一、先搞定系统音频的捕获 #

Python本身没法直接抓取系统的输出音频，得借助「虚拟音频设备」把系统声音路由成一个可读取的输入源，不同系统的设置略有不同：

1. 安装虚拟音频设备 #

• Windows：安装Virtual Audio Cable，安装后把系统默认输出设备改成「CABLE Output」，这样系统所有声音都会传到这个虚拟线缆里，之后Python读取「CABLE Input」设备就行。
• Mac：用BlackHole（替代旧的Soundflower），安装后在音频设置里把系统输出转到BlackHole的通道，再把BlackHole设为Python的输入设备。
• Linux：用PulseAudio的虚拟sink，执行命令创建：

  pactl load-module module-null-sink sink_name=VirtualSink
  pactl load-module module-loopback source=VirtualSink.monitor
  

  之后在音频设置里把系统输出切换到VirtualSink，Python就能读取对应的monitor源。

2. Python实时读取系统音频流 #

用sounddevice库来处理实时音频，先安装依赖：

pip install sounddevice soundfile

先运行下面的代码列出所有音频设备，找到你的虚拟输入设备ID：

import sounddevice as sd

print(sd.query_devices())

然后用InputStream来实时捕获音频流，这里以设备ID为2为例（替换成你自己的）：

import sounddevice as sd
import sys

# 配置参数，要和目标WAV文件一致
SAMPLE_RATE = 44100
BLOCK_SIZE = 1024
DEVICE_ID = 2  # 替换成你的虚拟输入设备ID

def audio_callback(indata, frames, time, status):
    # indata就是实时获取的音频数据，shape是(BLOCK_SIZE, 通道数)
    if status:
        print(status, file=sys.stderr)
    # 这里后续加匹配逻辑

# 启动监听流
with sd.InputStream(samplerate=SAMPLE_RATE, blocksize=BLOCK_SIZE, device=DEVICE_ID, callback=audio_callback):
    print("正在监听系统音频...")
    input("按回车停止监听\n")

二、实时匹配目标声音 #

接下来要把实时捕获的音频和你的目标WAV文件（比如Facebook提示音）对比，这里推荐用MFCC特征匹配或者互相关检测，前者对环境噪音更鲁棒。

1. 预处理目标音频 #

先安装librosa用于音频特征提取：

pip install librosa

加载目标WAV文件，提取关键特征（比如MFCC）：

import librosa

TARGET_WAV_PATH = "facebook_notification.wav"
# 加载目标音频，统一采样率
target_audio, _ = librosa.load(TARGET_WAV_PATH, sr=SAMPLE_RATE)
# 提取MFCC特征（13维）
target_mfcc = librosa.feature.mfcc(y=target_audio, sr=SAMPLE_RATE, n_mfcc=13)
# 转置成(帧数, 特征数)方便后续计算
target_mfcc = target_mfcc.T

2. 实时流中检测匹配 #

在之前的audio_callback里加入匹配逻辑，这里用简单的帧相似度计算（或者用动态时间规整DTW更准确，但计算量稍大）：

import librosa
import numpy as np

# 预处理目标音频（放在回调外，只执行一次）
TARGET_WAV_PATH = "facebook_notification.wav"
target_audio, _ = librosa.load(TARGET_WAV_PATH, sr=SAMPLE_RATE)
target_mfcc = librosa.feature.mfcc(y=target_audio, sr=SAMPLE_RATE, n_mfcc=13).T
target_len = target_mfcc.shape[0]

def audio_callback(indata, frames, time, status):
    if status:
        print(status, file=sys.stderr)
    # 把输入数据转成单通道（如果是立体声的话）
    audio_data = indata.mean(axis=1)
    # 提取当前块的MFCC
    current_mfcc = librosa.feature.mfcc(y=audio_data, sr=SAMPLE_RATE, n_mfcc=13).T
    current_len = current_mfcc.shape[0]

    # 只有当当前块长度足够时才对比
    if current_len >= target_len:
        # 滑动窗口计算相似度（这里用欧氏距离的平均值）
        min_distance = float('inf')
        for i in range(current_len - target_len + 1):
            window = current_mfcc[i:i+target_len]
            distance = np.mean(np.linalg.norm(window - target_mfcc, axis=1))
            if distance < min_distance:
                min_distance = distance
        
        # 设定阈值，小于这个值就认为匹配到了
        THRESHOLD = 5  # 这个值需要你根据实际情况调整
        if min_distance < THRESHOLD:
            print("Facebook message audio heard")

一些注意事项 #

• 参数统一：实时流的采样率、通道数必须和目标WAV文件一致，否则匹配会出错。
• 阈值调整：THRESHOLD需要你自己测试，比如先录一段目标声音，计算它的距离，再录背景噪音的距离，取中间值。
• 性能优化：如果实时处理卡顿，可以调大BLOCK_SIZE，或者用更轻量的特征（比如直接用波形的互相关）。

内容的提问来源于stack exchange，提问作者Markus Mikkonen