ios - 从音频的波形数据中检测说话人的性别

Question

我想为我正在开发的新闻视频翻译应用程序添加性别检测功能，以便该应用程序可以根据屏幕上的语音在男声和女声之间切换。我不期望 100% 的准确性。我用EZAudio获取一段音频的波形数据，用平均RMS值设置一个男女之间的threshold(cutOff)值。最初 cutOff = 3.3。

    - (void)setInitialVoiceGenderDetectionParameters:(NSArray *)arrayAudioDetails
    {
        float initialMaleAvg = ((ConvertedTextDetails *)[arrayAudioDetails firstObject]).audioAverageRMS;
        // The average RMS value of a time period of Audio, say 5 sec
        float initialMaleVector = initialMaleAvg * 80;
        // MaleVector is the parameter to change the threshold according to different news clippings
        cutOff = (initialMaleVector < 5.3) ? initialMaleVector : 5.3;
        cutOff = (initialMaleVector > 23) ? initialMaleVector/2 : 5.3;
    }

最初 adjustValue = -0.9 和 tanCutOff = 0.45。这些值 5.3、23、cutOff、adjustValue 和 tanCutOff 是从严格测试中获得的。还使用 tan of values 来放大值的差异。

    - (BOOL)checkGenderWithPeekRMS:(float)pRMS andAverageRMS:(float)aRMS
{
    //pRMS is the peak RMS value in the audio snippet and aRMS is the average RMS value
    BOOL male = NO;
    if(tan(pRMS) < tanCutOff)
    {
        if(pRMS/aRMS > cutOff)
        {
            cutOff = cutOff + adjustValue;
            NSLog(@"FEMALE....");
            male = NO;
        }
        else
        {
            NSLog(@"MALE....");
            male = YES;
            cutOff = cutOff - adjustValue;
        }
    }
    else
    {
        NSLog(@"FEMALE.");
        male = NO;
    }

    return male;
}

adjustValue 的用途是在每次翻译新闻视频时校准阈值，因为每个视频都有不同的噪音水平。但我知道这种方法很菜鸟。我可以做些什么来创建一个稳定的阈值？或者如何规范化每个音频片段？

也欢迎使用其他或更有效的方法来根据音频波数据确定性别。

编辑:根据 Nikolay 的建议，我使用 CMU Sphinx 研究了性别识别。谁能建议我如何使用 Open Ears(适用于 iOS 平台的 CMU Sphinx)提取 MFCC 特征并输入 GMM/SVM 分类器？

Answer 1

准确的性别识别可以通过 MFCC 特征的 GMM 分类器实现。你可以在这里阅读:

AGE AND GENDER RECOGNITION FOR TELEPHONE APPLICATIONS BASED ON GMM SUPERVECTORS AND SUPPORT VECTOR MACHINES

到目前为止，我还不知道这方面的开源实现，尽管许多组件在开源语音识别工具包(如 CMUSphinx)中可用。