[rover_61eg]

А откуда программа знает где в звуковом файле голос, а где музыка?
Программки типа адобе аудишен, сони саунд форже итд итп - просто вырезают часть спектра, используя псофометрический фильтр. Максимальная амплитуда спектра голоса в районе 800 герц. Полоса для тойже телефонии 300-3400 Гц. Т.е. вместе с голосом будет вырезано всё, что лежит в полосе фильтра..
По сути любой звук - это случайный процесс, применить к которому тот или иной алгоритм с заданной точностью тяжело... Кого-то результаты такой обработки звука вполне устраивают...