Backend ( Analizador de 6 emociones basicas en phyton)

Necesito que el backend reciba una muestra de voz, el cual sera un audio en base 64 que se convertirà en un array de vectores, para posteriormente extraer los parametros caracteriscos ( Frecuencia fundamental, energia, jitter, shimmer), estos parametros pueden ser extraidos mediante la transformada de wavelet, Gabor, wigner Ville o una combinacion de los mismos. Una vez extraidos estos rasgos deben ser analizado por un modelo de evaluacion ( matriz de confusion, cross validation), para obtener una precision aceptable a nivel estadisticos.

Tambien estoy abierto a idea y opiniones para cambiar algun aspecto.