取り合えずデータセット作って
CatboostなりXGboostなりにブチ込んどけばいいんじゃないの
当たらずとも遠からず的な予想が返ってきそうだけど
音声だろうが画像だろうが無理矢理ブチ込めば
それなりのが答えが返って来る
一番じゃないだけで