android - 如何识别用户何时开始和停止在 android 中说话？ (Android中的语音识别)

Question

我进行了大量的研发工作并使用了大量资源来解决我的问题，但我未能找到任何合适的解决方案。

我开发了一个应用程序，现在我想为其添加基于语音的功能。

所需的功能是

1) 当USER开始说话时，它应该录制音频/视频并且

2) 当用户停止说话时，它应该播放录制的音频/视频。

注意:这里的视频是指用户在该时间段内在应用内执行的任何操作。例如，点击按钮或某种动画等。

我不想使用 Android 中默认提供的 Google 语音识别器，因为它需要互联网，但我的应用程序可以离线运行。另外，我了解到 CMU-Sphinx .但这对我的要求没有帮助。

已编辑:-另外，我想补充一点，我已经使用“开始”和“停止”按钮实现了这一点，但我不想使用这些按钮。

如果有人有任何想法或建议，请告诉我。

Answer 1

最简单最常用的方法是count the number of zero crossings在音频中(即当符号从正变为负时)。

如果该值太高，则声音不太可能是语音。如果它太低，那么它也不太可能是语音。

将其与简单的能量水平(音频的音量)结合起来，您将得到一个非常强大的解决方案。

如果您需要一个更精确的系统，那么它会变得更加复杂。一种方法是从“训练数据”中提取音频特征(例如 MFCC s)，用类似 GMM 的东西对它们进行建模。然后根据 GMM 测试您从实时音频中提取的特征。通过这种方式，您可以对给定音频帧是语音而非非语音的可能性进行建模。然而，这不是一个简单的过程。

我强烈建议沿用过零线，因为它易于实现，并且在 99% 的时间里都能正常工作 :)