Определение начала вокала в песне?

Как лучше всего определить, где начинается вокал в песне? Мне просто нужно время начала для вокала. Предельная точность не требуется. Скорость важнее.

Любые подсказки к документам или алгоритмам (если таковые существуют) приветствуются. Также ищу рекомендации о том, какой фреймворк/язык лучше всего подходит для этого.