Audio uglavnom ostvaruje sledeće funkcije: A, vađenje omotnice zvuka, shvatajući da je jačina prevelika, premala i funkcija detekcije presretanja; B, upoređivanje energetskih vrednosti pre i posle prekida zvuka, da bi se ostvarila funkcija detekcije zvuka; C, audio Prvobitna ravna fiting obrada se vrši na vrijednosti volumena na početku i kraju kako bi se dobio nagib i vertikalni pomak ugrađene ravne linije, kako bi se ostvarila detekcijska funkcija izbljeđivanja prvog kraja. efekat i fade-out; D. Tipični trenutni zvučni spektar ima očigledne sjajne karakteristike linije. Izračunavanjem audio energije i odgovarajuće varijanse, ova karakteristika se analizira kako bi se ostvarila funkcija trenutne detekcije zvuka. Predmet ovog pronalaska je da je usvojen metod za izdvajanje koverte, a preciznost detekcije zapremine se dalje poboljšava; detekcija izbljeđivanja i izlaženja je dobro izvedena, a preciznost je visoka; Metoda ima dobar efekt detekcije na specifičan trenutni zvuk.
Uz stalno poboljšanje kvaliteta života modernih ljudi, težnja ljudi za kvalitetom muzike postaje sve hitnija. Visokokvalitetni MP3-ovi, muzika formata bez gubitaka i slično, sajtovi za muzičku procjenu i softver takođe su sve više uključeni u svakodnevni život ljudi. Međutim, u velikom broju biblioteka muzičke muzike, kvalitet zvuka nije ujednačen, a ručna detekcija kvaliteta zvuka zahteva ogroman rad i nije održiva. Stoga, ovo zahtijeva dobru mjeru za rješavanje ovog problema.
Metoda detekcije audio karakteristika, ove karakteristike će u određenoj meri uticati na slušni efekat publike, čime se obezbeđuje određena referenca za veštačko otkrivanje kvaliteta zvuka. Kroz ovu metodu, audio funkcije se mogu automatski detektovati, ogromno radno opterećenje i rizik radne snage manuelne detekcije se smanjuju, a efikasnost detekcije se efektivno poboljšava. Istovremeno, karakteristična stopa lažne detekcije uzrokovana ljudskim faktorima može se smanjiti, a preciznost detekcije se dalje osigurava.
Ekstrakcija audio funkcija, zatim analizira efektivnost i robusnost ovih karakteristika kako bi se razlikovali različiti audio tipovi iz dva aspekta. Konačno, na osnovu ovih karakteristika, klasifikator vektorske mašine (SVM) se koristi za treniranje i testiranje na audio skupu podataka od približno 5 sati, dijeleći audio na pet predefiniranih kategorija: nijemi, čisti govor, nečisti govor, glazba i ambijentalni zvuk. Eksperimentalni rezultati pokazuju da je korišćenje efektivnih audio funkcija moguće klasifikovati audio scene u različite tipove.
