Какой библиотекой можно вычленить речь из произвольного звука?

Я только мимокрокодил, но возможно это решали авторы библиотек распознавания речи типа sphinx. Может даже прямо ей и можно.

Попробовала VAD из Speex, почему-то через апи оно не работает, взяла данные напрямую. В принципе работает, но часть речи не детектит, детектит совсем не речь.

мимокрокодил-2: «караоке» фильтр наоборот

Фильтрами обрежь лишние частоты. Низы, верхи особенно.

Ну если только... два канала и речь всегда посерединке, а если моно?

И кроме того, оно хочет чтоб еще и фильтрованную речь можно было сдетектить. Этж целая эпопея, для начала привести к плоской(?) АЧХ, затем искать «отпечатки» шипящих звуков(4-6кгц?) и/или искать АЧ-«раскаты» гласных.

Может в job?

Можно пример «караоке»-фильтра, желательно с исходниками?

Если обрезать лишнее, то явный шум или музыка будут не отличимы от речи. Можно искуственно все зарезать до 4х килогерц, а дальше что? Наоборот, имея нехарактерные для речи признаки, можно сказать «нет».

Каналов может быть разное количество, может быть моно, а может и 10. Я наверное неправильно поняла, но имелась в виду «центрированная» речь, которую удаляют противофазой?

Мне в общем-то нужен список диапазонов, где есть что-то похожее на речь. Шипящие сложно отличить от удара барабанов, равно как гласные очень похожи на всякие дудочки.

Вчитайся. Я писал про раскаты, т.е. характерные частотные и амплитудные спады, ударения на гласных, где опорой будут шипящие.

• https://github.com/jeremysalwen/kn0ck0ut-lv2
• http://manual.audacityteam.org/o/man/vocal_reduction_and_isolation.html