ios - 用于 iPhone 语音识别的 Shazam

Question

我正在尝试构建一个允许用户录制个人讲话的应用程序，然后将录音保存在设备上并在每条记录上标记讲话者的姓名。然后是检测模式，我记录某人，如果他在本地数据库中，可以告诉他他的名字是什么。

首先 - 这可能吗？我是 iOS 开发的新手，对可用的 API 不是很熟悉。

更重要的是，我应该使用哪个 API(最好是免费的)来关联传入的语音和我在本地数据库中的记录？这应该表现得像 Shazam，但更简单，因为我正在寻找匹配项的数据库要小得多。

Answer 1

如果您是 iOS 开发的新手，我会从核心应用程序开始录制音频，然后让人们手动选择一个配置文件/名称附加到它，然后再考虑说话人识别部分。

对于事物的识别方面，您显然有两种选择:您可以结合其他人的语音验证/说话人识别库(可能是用 C 或 C++ 编写的)，或者您可以尝试编写自己的库。

有多少人会使用您的应用？您也许可以自己创建一些基本的东西:如果这是男人和女人之间的区别，您可以通过对音频进行 FFT 频谱分析并找出频率峰值的位置来弄清楚这一点。显然，用于发音不同音素的频率会有所不同，因此解决两个听起来非常相似的人的一般情况可能很困难。您需要使用一堆文本来训练系统并构建某种频率分布模型。您可以尝试进行聚类或其他操作，但您很快就会遇到一些数学问题(gaussian mixture models 等)。有图书馆/项目可以做到这一点。您也许可以从 matlab 移植它，例如:https://github.com/codyaray/speaker-recognition

如果您想使用现成的东西，我会选择像 mistral 这样的直接 C 库，因为从 Objective-C 调用它应该相对容易。

SpeakHere示例代码应该可以帮助您开始录音和播放音频。

此外，用户可能需要更长的时间来训练您的应用程序识别他们，而不是仅仅从列表中选择他们的名字来节省时间。除非您想让他们的声音成为某种安全护照类型的东西，否则可能不值得为之操心。