在iphone上实现语音识别的shazam

Question

我正在尝试构建一个应用程序，允许用户记录单个人的讲话，然后将录音保存在设备上，并用讲话的人的姓名标记每个记录。然后是检测模式，在这种模式下，我可以记录某人的名字，如果他在本地数据库中，就可以说出他的名字。

首先，这是可能的吗？我对iOS开发非常陌生，对可用的API不是很熟悉。

更重要的是，我应该使用哪个API (理想情况下是免费的)来关联传入语音和本地数据库中的记录？这应该表现得像Shazam，但要简单得多，因为我正在寻找匹配的数据库要小得多。

Answer 1

如果你是iOS开发的新手，我会从核心应用程序开始录制音频，让人们手动选择要附加到的配置文件/名称，然后再担心说话人识别部分。

显然，对于识别方面，您有两个选择:您可以绑定其他人的语音身份验证/说话人识别库(可能是用C或C++编写的)，也可以尝试编写自己的库。

有多少人会使用你的应用程序？你也许可以自己创造一些基本的东西:如果是男人和女人的区别，你可能可以通过对音频进行FFT频谱分析来弄清楚，并找出频率峰值在哪里。显然，用于发音不同音素的频率会有所不同，所以解决两个发音相当相似的人的一般情况可能很困难。你需要用一堆文本训练系统，并建立某种频率分布模型。您可以尝试进行聚类或其他操作，但很快就会遇到相当多的数学问题(gaussian mixture models等人)。有一些库/项目可以做到这一点。你可以从matlab中移植这个，例如：https://github.com/codyaray/speaker-recognition

如果您想要现成的东西，我会直接使用像mistral这样的C库，因为从Objective-C调用它应该相对容易。

SpeakHere示例代码应该可以让您开始录音和回放。

此外，用户可能需要更长的时间来训练你的应用程序来识别他们，而不是仅仅从列表中选择他们的名字来节省时间。除非你打算他们的声音是某种安全护照类型的东西，否则可能就不值得麻烦了。