说话人识别

Question

我怎么能区分两个说话的人呢？例如，如果有人说"hello“，然后另一个人说"hello”，我应该在音频数据中查找哪种签名？周期性？

非常感谢能回答这个问题的人！

Answer 1

解决这一问题的关键在于数字信号处理(DSP)。说话人识别是一个复杂的问题，它将计算机和通信工程结合在一起。大多数说话人识别技术都需要使用机器学习进行信号处理(通过说话人数据库进行训练，然后使用训练数据进行识别)。可遵循的算法大纲-

对原始格式的音频进行

1. Record。这用作需要在捕获的信号上执行一些预处理例程( processed.
2. Apply )的数字信号处理。这些例程可以简单地对信号进行normalization，或滤波，以去除信号中的噪声(使用带通滤波器对正常频率范围的人类语音进行滤波)。在combination.)
3. Once中，可以依次使用低通和高通滤波器创建带通滤波器。可以相当确定地说，捕获的信号几乎没有噪声，特征提取阶段开始。用于提取语音特征的一些已知技术是-Mel频率倒谱系数(FFT)、线性预测编码(LPC)或简单的特征。
4. 现在，有两个阶段- training和testing。
5. 首先，系统需要对不同扬声器的语音特征进行训练，然后才能区分它们。为了确保正确计算特征，建议从说话者那里采集几个(>10)个语音样本用于训练。
6. 训练可以使用不同的技术来完成，如神经网络或基于距离的分类，以发现来自不同说话者的语音特征的差异。
7. 在测试阶段，训练数据用于找到与被测信号距离最小的语音特征集。可以使用不同的距离，如切比雪夫欧几里得距离或切比雪夫距离来计算这种接近。

有两个开源实现可以实现说话人识别- ALIZE：http://mistral.univ-avignon.fr/index_en.html和MARF：http://marf.sourceforge.net/。

我知道现在回答这个问题有点晚了，但我希望有人能发现它是有用的。

Answer 2

这是一个极其困难的问题，即使对于语音和信号处理专家来说也是如此。这个页面有更多的信息：http://en.wikipedia.org/wiki/Speaker_recognition

以及一些建议的技术起点：

用于处理和存储声纹的各种技术包括频率估计、隐马尔可夫模型、高斯混合模型、模式匹配算法、神经网络、矩阵表示、矢量量化和决策树。一些系统还使用“反扬声器”技术，例如队列模型和世界模型。

Answer 3

只有两个人来区分，如果他们说的是相同的单词或短语，这将使这变得更容易。我建议从简单的东西开始，只在需要的时候增加复杂性。

首先，我会尝试数字波形的样本计数，按时间和幅度或(如果你手边有软件功能)整个话语的FFT。我也会首先考虑一个基本的建模过程，比如线性判别式(或者你已经有的任何东西)。