Audio Fingerprint Expert 用于通过音频指纹技术识别和匹配音频内容。
用途 该技能主要用于音频内容的识别与匹配，资料中列出的典型场景包括：自动跳过片头片尾、检测并跳过广告、识别播客中出现的音乐，以及匹配重复内容。这些场景被标注为面向 Modcaster 的用例。
主要能力与可选方案 资料将可选方案分为商用 API 与开源两类。商用 API 包括：AudD，按约 2-5 美元/1000 次请求计费，基于神经网络，提供音乐识别，支持实时和批量；ACRCloud，被描述为行业领先，提供跨平台 SDK，并支持自定义指纹数据库；ShazamAPI，通过 RapidAPI 提供，拥有庞大的音乐数据库，并提供企业级选项。开源方案包括：AcoustID（免费），与 MusicBrainz 关联，由社区驱动，使用 Chromaprint 生成指纹；Dejavu，Python 实现，可自托管，用于自定义音频匹配。
使用方式 资料给出了各类方案的使用示例。调用 AudD API 时，可通过 curl 以 POST 方式向 https://api.audd.io/ 发送 api_token、音频文件（file=@audio.mp3）以及 return=spotify,apple_music 参数；也可用 Python 的 requests.post 以相同参数提交，返回 JSON 后读取 result 中的 title 与 artist。使用 AcoustID 时，需先安装 chromaprint（示例为 brew install chromaprint），再用 fpcalc -json audio.mp3 生成指纹，然后调用 acoustid.match(API_KEY, 'audio.mp3') 进行查询并打印匹配分数、标题与艺术家。使用 Dejavu 时，可用配置（如 database_type 为 sqlite、database 为 fingerprints.db）初始化 Dejavu，调用 fingerprint_directory 对已知音频目录（如 known_intros/，支持 .mp3、.wav）建指纹，再用 recognize(FileRecognizer, "podcast_episode.mp3") 识别未知音频并返回带时间戳的匹配结果。
播客广告检测模式 资料给出一个模式：先对已知广告文件逐个调用 fingerprint_file 建立指纹；处理剧集时调用 recognize 得到匹配；再从匹配结果中取时间戳区间，形式为 [(m['offset'], m['offset'] + m['duration']) for m in matches]；最后在播放器中跳过这些区间。
准确率建议 资料建议：使用 10-30 秒的样本；采样率越高准确率越好；噪声会影响匹配；存储指纹而非音频本身。
适用场景与限制 该技能适用于音乐识别、广告跳过、重复检测与音频匹配等任务。资料未提供各方案的具体平台兼容范围、账户与配额细节、隐私与版权合规要求，也未提供自托管部署的完整系统要求；这些内容暂未提供。上述价格、能力与步骤均以资料所述为准，实际使用前请以对应服务方的官方说明为依据。