相关疑难解决方法(0)

我正在努力实现以下目标：

• 使用 Skype，呼叫我的邮箱（有效）
• 输入密码告诉邮箱我要录制新的欢迎信息（有效）
• 现在，我的邮箱告诉我在哔哔声后录制新的欢迎信息
• 我想等待哔声然后播放新消息（不起作用）

我如何尝试实现最后一点：

• 使用 FFT 和滑动窗口创建频谱图（有效）
• 为蜂鸣声创建“指纹”
• 在来自Skype的音频中搜索该指纹

我面临的问题如下：
Skype 音频和参考哔声的 FFT 结果在数字意义上不相同，即它们相似但不相同，尽管哔声是从音频中提取的带有Skype音频录音的文件。下图显示了左侧 Skype 音频的蜂鸣声频谱图和右侧参考蜂鸣声的频谱图。如您所见，它们非常相似，但又不一样...
上传了一张图片 http://img27.imageshack.us/img27/6717/spectrogram.png

我不知道，如何从这里继续。我应该平均它，即将它分成列和行，并按照此处所述比较这些单元格的平均值吗？我不确定这是最好的方法，因为他已经说过，它不适用于短音频样本，并且哔声的长度不到一秒......

有关如何进行的任何提示？