Speech/Music Discrimination using Hybrid-Based Feature Extraction for Audio Data Indexing
Kun-Ching, Wang, Member, IEEE, Yung-Ming, Yang and Ying-Ru, Yang

Χρησιμοποούν τα features:
- ΜFCC
- ZCR (zero crossing rate)
- SC (Spectral Centroid)
- SR (Spectral Rolloff)
- SF (Specral Flux)

Τα features ΜFCC, ZCR και SF ταξινομούν με accuracy ~90% το καθένα. Το feature SR με 83%, ενώ το SC με 70%.
Ο συνδυασμός όλων των features πετυχαίνει 93.5% σωστή ταξινόμηση, ενώ με χρήση ενός SVM μοντέλου το ποστοστό φτάνει στο 95.68%.

Παρατηρείται ότι η σωστή ταξινόμηση της μουσική είναι αρκετά δυσκολότερη (με αυτά τα features) σε σχέση με αυτή της ομιλίας. Συγκεκριμένα στην ομιλία επιτυγχάνεται (με το SVM) accuracy 98.25% ενώ στη μουσική 93.1%.