Текущая версия распознавания использования чужого контента базируется на идентификации аудио фрагментов.

Индексация

Аудиодорожка подвергается просмотру окном size=1024 и шагом 32.
В каждом окне выполняется быстрое преобразование Фурье и сигнал раскладывается по частотам
Частоты наносятся на логарифмическую шкалу
получившаяся спектрограмма визуализируется при помощи matplotlib в 2D массив
на спектрограмме находятся локальные максимумы в каждом квадрате определенного размера
далее оставляем только найденные точки и отбрасываем все остальное
строим связи между каждой точкой и N=10 последующих точек. Для каждой пары запоминаем относительное расположение.
Хешируем информацию о связи и сохраняем хеш и смещение в базу данных

Поиск

При поиске также получаем последовательность хешей для проверяемого файла
Находим в базе записи с такими же хешами
Для каждого найденного хеша кладем в корзину - mediaId, stored_offset-sampled_offset, прочую информацию. Если отрисовать график, в случае совпадения можно увидеть линию y = x + b:
смотрим, сколько элементов в каждой корзине. Если есть корзина со значительным количеством элементов, значит совпадение найдено:
Далее отбрасываются outlayers и определяются границы сегмента.

Запуск решения: в корневой папке docker compose up -d. Два контейнера postgres база и python код
docker-compose run python python index.py - подключиться к python контейнеру и проидексировать файлы в папке mytest
docker-compose run python python search.py file - проверить file на наличие заимствований. Диапазоны сегментов выведутся в output.