весь фокус - в получении сонограммы/спектрограммы из трека
далее она превращается в нули и единицы (первые 20 сек) (в стандартный формат для нейросети [input, output]) и скармливается нейросетке в БД обучения

после накопления ума, нейросеть уже может отдавать результаты
многое зависит от числа хидден-лэйерз

другими словами, нейросеть не распознает голос или трек, если его нет в БД сети
она выдаст результат, максимально приближённый к запросу, но не более

в принципе - всё

для получения спектрограмм есть готовые библы, написанные умными кодерами, хотя можно и самому, попроще

главный минус всех NN - долгий процесс загрузки шаблона обучений и все это требует ресурсов ЦPU
ну и соотв. - трудозатраты на сам процесс обучения
ручной тяглый труд

касательно музаудиотреков, там можно сильно упростить обучение - тренировать сеть только на файлах, в которых прописаны метаданные - стиль, название и прочее

оказывается, в инете уже есть сайты, предоставляющие свои платные API, для распознавания аудио
и на гитхабе - тьма врапперов, под такие "апи"

------------------------------

главный вопрос - а, зачем?
- хуйзнает