我不需要声音转文本软件。我需要的是以下内容：
你知道这样的软件库吗？ LGPL 对我来说最有价值，但我也可以申请商业许可。
音频剪辑将包含音乐、文本、效果或其任意组合。所以，文本识别是不可能的。
架构：c++、C# forglue、CUDA（如果可能）。
我还没有找到任何库，但有两篇有趣的论文，它们可能会为您提供术语和背景来完善您的搜索：
编辑：搜索“音频指纹识别”来到一个实现页面，包括开源和商业。
这里是音频指纹识别简介
您所描述的是一个匹配滤波器，您所需要的只是一个互相关函数，该函数应该是任何合理的DSP库的一部分。根据您选择的处理器架构和语言，您甚至可以找到一个可以更有效地执行此操作的矢量化库。
如果你真的不关心性能，你可以使用Python...
$ python
Python 2.6.4 (r264:75706, Dec 7 2009, 18:45:15)
[GCC 4.4.1] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import scipy
>>> interesting_clip = [ 5, 7, 2, 1]
>>> full_stream = [ 1, 5, 7, 2, 1, 4, 3, 2, 4, 7, 1, 2, 2, 5, 1]
>>> correlation = scipy.correlate (full_stream, interesting_clip)
>>> print correlation
[56 79 55 28 41 49 44 53 73 48 28 35]
>>> for offset, value in enumerate(correlation) :
... if (value > 60) :
... print "match at position", offset, "with value of", value
...
match at position 1 with value of 79
match at position 8 with value of 73
我的上述阈值是任意的。您应该通过实验确定什么适合您。
请记住，“有趣的剪辑”越长，计算相关性所需的时间就越长。虽然较长的剪辑有助于使实际比赛从非比赛中脱颖而出，但您可能不需要超过几秒钟。
AudioDB 是一个开源 C++ 项目，可搜索音频的相似部分，处理噪声流，并可以为您提供相似性度量。它可以作为客户端/服务器运行，但我相信你可以做一个独立的程序。
关于 dsp 相关性的其他答案是正确的，但一般来说，这些 dsp 算法想要比较两个相同长度的流，这些流具有相似的部分重叠。
您所需要的要求它能够在流的任意部分上工作；这就是 AudioDB 的构建目的。 （一个应用程序是查找隐藏的引用/采样或公然的版权滥用。）我用它来查找向后播放的声音，它还可以查找引入一些噪音或语音变化的情况。
请注意，尽管主页上的日期似乎已关闭，但它仍在开发中。我会订阅邮件列表并询问当前状态以及您将如何合并它。
您可能想查看 Li-Chun Wang 撰写的有关 www.shazam.com 的论文。
它不是 API，但它确实提供了如何开发其算法的详细信息。
看一下 Microsoft 语音 API (SAPI)：
http://msdn.microsoft.com/en-us/library/ee125077%28VS.85%29.aspx
您列出的所有其他要求基本上都是您必须自己实现的实现细节。例如，当软件解释音频流时，它可以将它们存储在具有全文索引的 SQL Server 中...您可以从中进行搜索以查找相似/相同的音频剪辑。
当然还有其他方法可以实现这一点，这只是一个想法:-)
我会去与 Tim Kryger 的答案一致的地方，并使用简单的统计相关函数，因为你想保持与内容无关。
至于功能，我肯定会尝试 MFCC，因为它同时用于语音处理和音乐识别（流派、歌曲）。您可以在优秀的开源Vamp插件（或其更高级的捆绑包，一个名为Sonic Annotator的程序）或Marsyas框架中找到MFCC和大量其他音频功能。
熟练骑手所穿的套装是 Mugello RR，它在安全性和执行力方面都是权威的。 本田机车夹克