Hi,
1.) Ich bin kein Experte.
2.) Ich halte das für seeeehr unwahrscheinlich, dass das generisch und zuverlässig geht.
In einem Wav können viele Instrumente gemischt (und auch Geräusche, die gar nicht als Instrumente zu interpretieren sind) zusammen sein ... was soll so ein Programm z.B. mit Sprache (oder Gesang) machen ?
Wenn man natürlich nur ganz simple Wavs verwendet (nur einstimmig mit "klarem" Instrument), könnte ein Programm vermutlich relativ zuverlässig Tonhöhen- und -längeninformationen extrahieren und in Midiform ablegen ... aber schon bei Tempo- oder Tonhöhenschwankungen, wird's vermutlich schwieriger.
Bei Mehrstimmigkeiten oder "frequenzkomplexeren" Instrumenten werden die Ergebnisse wohl immer unzuverlässiger.
Wahrscheinlich ist "Raushören" deutlich schneller/einfacher und zuverlässiger.
Gruß,
Simon2.