当一个人说话时，识别片段吗？ [英] Identifying segments when a person is speaking?

问题描述

有谁知道一个(最好是C#.Net)库，可以让我在语音录音中定位特定人发言的片段？

推荐答案

工具包可以喊出：http://shout-toolkit.sourceforge.net/index.html

它是用C++编写的，并在Linux上进行了测试，但它也应该可以在Windows或OSX上运行。

该工具包是我在自动语音识别(ASR)博士研究中的副产品。将它用于ASR本身可能不是那么简单，但对于语音活动检测(SAD)和二值化(查找一个特定人的所有语音)来说，它非常容易使用。下面是一个例子：

1. 创建16 KHz、16位、小端、单声道的无头pcm音频文件。我使用ffmpeg创建原始文件：ffmpeg-i[INPUT_FILE]-vn-acodec pcm_s16le-ar 16000-ac 1-f s16le[RAW_FILE]在无标题数据前面加上很小的端序编码文件大小(4字节)。请确保文件的扩展名为.raw，因为shout_cluster会根据扩展名检测文件类型。

2. 语音/非语音切分： ./shout_Segment-a[RAW_FILE]-AMS[SHOUT_SAD_MODEL]-mo[SAD_OUTPUT] 输出文件将为您提供某人正在发言的片段(标记为"Speech")。当然，因为这都是自动完成的，系统可能会出错..)，其中存在非语音("声音")或沉默("静音")的声音。

3. 执行二值化： ./shout_cluster-a[RAW_FILE]-mo[二元化输出]-mi[SAD_输出] 使用Shout_Segment的输出，它将尝试确定录音中有多少说话者处于活动状态，给每个说话者贴上标签("SPK01"、"SPK02"等)，然后找出每个说话者的所有语音片段。

我希望这会有帮助！

这篇关于当一个人说话时，识别片段吗？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！