确定狮身人面像-4中说话人自适应的聚类大小

Question

在用于扬声器适配技术的CMU Sphinx(Sphinx-4)中，我使用了以下代码片段

Stats stats = recognizer.createStats(nrOfClusters);
recognizer.startRecognition(stream);
while ((result = recognizer.getResult()) != null) {
    stats.collect(result);
}
recognizer.stopRecognition();

// Transform represents the speech profile
Transform transform = stats.createTransform();
recognizer.setTransform(transform);

为了取得好的结果，nrOfClusters参数值应该是多少？我们如何使用这个片段来适应音频中的多个扬声器？

Answer 1

为了取得好的结果，nrOfClusters参数值应该是多少？

集群的数量取决于适应数据的数量。数据越多，可以使用的集群就越多。例如，如果您有30秒的演讲时间，那么一个集群就足够了。如果你有10分钟的演讲时间，你最多可以使用32组。

我们如何使用这个片段来适应音频中的多个扬声器？

如果你知道每一位发言者的发言时间，你可以分别对每一位发言者进行调整。为不同的发言者创造一个共同的转变没有多大意义。