audio - 用于语音/说话人识别的 CMU Sphinx

Question

我正在寻找一种匹配已知数据集的方法，假设是一个 MP3 或 wav 文件列表，每个文件都是某人讲话的样本。在这一点上，我知道文件 ABC 是 X 说话的人。

然后，我想再取一个样本，并进行一些语音匹配，以根据当时已知的数据集显示这个声音最有可能是谁。

另外，我不一定在意这个人说了什么，只要我能找到匹配项，即我不需要任何转录或其他方式。

我知道 CMU Sphinx 不进行语音识别，它主要用于语音到文本，但我见过其他系统，例如:LIUM Speaker Diarization (http://cmusphinx.sourceforge.net/wiki/Speakerdiarization)或使用 CMU 作为此类工作基础的 VoiceID 项目 (https://code.google.com/p/voiceid/)。

如果我要使用CMU，如何进行语音匹配？

另外，如果 CMU Sphinx 不是最好的框架，那么是否有开源的替代方案？

Answer 1

对于博士论文来说，这是一个足够复杂的主题。目前还没有好的和可靠的系统。

你要完成的任务是一项非常复杂的任务。你应该如何处理它取决于你的情况。

你有人数限制吗？多少？

你每个人有多少数据？

如果您有 很少有人认识 ，您可以尝试获取 formants 之类的简单方法。这些人并将他们与样本进行比较。

否则 - 您必须联系一些研究该主题的学者或陪审团制定您自己的解决方案。无论哪种方式，正如我所说，这是一个难题。