Python 如何将声音作为神经网络的输入？

我正计划建立一个软件，可以用人工神经网络将一段音乐分为好的或坏的。为此，我需要将音频转换为一些数值，以作为输入提供给NN。所以为了训练NN，我首先下载了billboard hot 100首歌曲（我认为应该归类为好音乐），还下载了一些坏噪音音频文件（将归类为坏音乐）。然后我将它们转换为.wav格式，然后将每个文件拆分为多个.wav文件，每个文件的长度为2秒。我曾计划使用快速傅立叶变换将这些音频剪辑转换为频率-振幅对，但问题是，即使我们使用2秒的剪辑，其FFT也会生成大约100000个这样的对的阵列。对数千个音频文件执行此操作将生成具有太多功能的太大数据集。
我想知道有没有办法缩短这个数据集，同时保留“音乐的精髓”，以便做出更好的预测？或者我应该使用其他算法/流程吗？

首先，您可以喜欢：

1） 紧凑性。
2） 幅度谱。
3） 梅尔频率倒谱系数。
4） 音高。
5） 功率谱。
6） RMS.
7） 节奏。
8） 光谱质心。
9） 光谱通量。
10） 光谱衰减点。
11） 光谱可变性。
12） 零交叉点

生成要素集后，您有两个选项：

A） 通过平均值[和/或方差]聚合歌曲的特定特征，连接歌曲的整体特征，然后输入人工神经网络并执行分类任务

---

B） 使用用于分类任务的

“计划构建一个软件”好的，这样做，然后返回代码，我们可能会帮助您修复。i、 e.“这是我做x的代码，我怎样才能使它更有效/更小或更好地定义y”等等。这不是真正适合这样做的地方。-另外，你要训练你的CNN听2秒钟的“好”音乐片段，而不是整首歌。这意味着您将拥有一台非常擅长识别2秒长的“好”音乐片段的机器，而不是一台擅长识别“好”曲目的机器。请注意，在这种情况下，“好”不是“好”，而是“类似于当前的billboard hot 100”（随时间变化）“好”对我来说，与我的朋友Charlie大不相同。python中的大多数音频处理库都不够健壮，无法生成如此长片段的FFT。如果2秒长的剪辑可以生成100000个fft对，那么想象一下一首3分钟的歌曲会产生多大的数据量？我使用了“所有时间的热门100列表”。不是当前月份的“古奇帮”类型的歌曲列表。。。