- 综合排序
- 最热优先
- 最新优先
- 来自专栏云上修行
LR-ASD：轻量级鲁棒主动说话人检测网络详解
什么是主动说话人检测 主动说话人检测（Active Speaker Detection, ASD）是一个音视频多模态任务：给定一段包含多人的视频，模型需要逐帧判断每个可见人脸是否正在说话。 这个设计是合理的——对于说话人检测任务，嘴唇运动是最强的视觉信号。 + ffmpeg ├── Step 5: 说话人检测 ── GPU (LR-ASD) │ → 对每个人脸轨迹，多时长推理得到逐帧分数 └── Step 6: 可视化 ────── CPU → 绿色框标记说话人，红色框标记非说话人 → 输出: video_out.avi 6. , 红色框 = 非说话人
27010编辑于 2026-02-26 - 来自专栏企鹅号快讯
会说话的机器人
在人工智能领域，人们一直以来对“说话”更有兴趣。当我们称机器为机器人时，它往往具备了和你对话的功能。尤其是在各种智能产品大行其道的今天。手机、电脑等智能设备上都有智能对话功能。 机器人那么多，究竟哪些是“真智能”，哪些是“伪智能”？今天，我们一起来聊聊这个话题。 让机器人开口“说话” 自然语言处理，这是人工智能的一个子领域。 第二步：语音识别 确认说话人的语种后，机器人将口语转化为文字，这需要强大的语音知识库判断。 第三步：语义识别 对语音转换成的文字进行含义分析，这是语音技术中最有难度的环节。 通过以上四步，我们就可以完成与智能机器人的对话。 2、知识库，让机器人变身“学霸” 语言交流，可以让我们了解一个人的学识。机器人与人对话，机智流畅不小白，也需要一个提供学识的知识库。 搜一搜 在实际生活中，口语化的表述比较多，还容易产生歧义，人有的时候都理解困难，人机交互难度就更大了。 会说话的机器人可以做什么？
2.1K60发布于 2018-01-08 - 来自专栏算法channel
深入浅出实战：说话人识别
声纹识别(Speaker Recognition)属于生物特征识别技术，是通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定，它也称说话人识别，是通过对收到的说话人语音信号进行分析和提取，自动地确定说话人是否在所建立的说话人集合里面 ，并确定说话人是谁的过程。 声纹识别分为说话人辨认（Speaker Identification）和说话人确认(Speaker Verification)，前者是根据说话人语音确定为 N 个参考说话人中的某一个，是一个选择问题；后者是证实说话人的身份与其声明的是否一致 高斯混合模型就是若干个高斯函数的叠加，他们的线性组合于是就可以模拟说话人矢量特征的连续概率分布，即描述了说话人的特性。 5 GMM-UBM 高斯混合模型是通用背景模型，针对一个说话人需要训练其GMM，想要得到一个覆盖说话人全部因素，或者得到一个GMM模型分布能够表征说话人音素分布，是需要大量的训练语料，然而针对具体应用场景很少能够得到说话人大量语音数据
4K00发布于 2018-07-31 - 来自专栏CSDN博客
Android使用webrtc实现检测用户是否在说话
https://blog.doiduoyi.com/articles/2020/04/16/1587006578892.html 前言 我们在Android应用做语音识别的时候，一般是用户唤醒之后开始说话 当用户超过一定的时候没有说话，就停止录音，并把录音发送到语音识别服务器，获取语音识别结果。本教程就是解决如何检测用户是否停止说话，我们使用的是WebRTC架构的源代码中的vad代码实现的。 VAD算法全称是Voice Activity Detection，该算法的作用是检测是否是人的语音，使用范围极广，降噪，语音识别等领域都需要有vad检测。 创建Android项目 现在我们就来使用webrtc的vad源码开发检测是否有语音的Android项目。 boolean webRtcVad_Process(short[] audioData, int offsetInshort, int readSize); 最后在我们的Android这样子调用，可以检测到用户是否在说话
3.6K40发布于 2020-05-06 - 来自专栏Python编程 pyqt matplotlib
OpenCV 检测人
OpenCV 自带的HOGDescriptor类可以用来检测人。 下面是一个简单的例子，只使用默认参数。 不尽如人意，检测器好像对人腿情有独钟。下面给它喂一点大长腿： ? ? 这张却只检测到手臂了.......说明它很任性。 <2>foundlocations：检测出的物体的边缘。 <3>foundWeights: 检测窗口得分 <4>hit_threshold：阀值，特征向量和SVM划分超平面的距离，大于这个值的才作为目标返回。 <6>scale0：检测窗口增长参数。 <7>finalThreshold：检测结果聚类参数<8>useMeanshiftGrouping:聚类方式选择的参数 '''
1.1K20发布于 2020-07-13 - 来自专栏图像处理与模式识别研究所
人眼检测
(ex,ey),(ex+ew,ey+eh),(0,255,0),2) cv2.imshow('img',img) cv2.waitKey(0) cv2.destroyAllWindows() 算法：人眼检测是一种基于机器学习的方法 ，其中级联函数是从大量正面和负面图像中训练出来的，然后使用它来检测图像中的对象。 包括： haarcascade_frontalface_default.xml：检测面部 haarcascade_eye.xml：检测左眼和右眼 haarcascade_smile.xml：检测面部是否存在嘴部 .xml haarcascade_fullbody.xml：检测全身 haarcascade_lefteye_2splits.xml：检测左眼 haarcascade_licence_plate_rus ：检测右眼 haarcascade_russian_plate_number.xml：检测俄罗斯字母车牌号 haarcascade_upperbody.xml：检测上半身 链接：https://github.com
71930编辑于 2022-05-29 - 来自专栏智能算法
听你说话 机器学习算法就能检测抑郁症了
这个工具名为SimSensei，它会在访谈中记录患者的声音，检测出元音表达是否减少，因为这是心理及神经紊乱中的常见特征，但对人类来说很难察觉。 此前的调查发现，抑郁症患者的情感更平淡消极，语音变化会减少，音量和单调更单调，说话也会减少，而且吐字不清，停顿变长。另外，抑郁症患者的声道和声带更紧张。
79130发布于 2018-04-02 - 来自专栏AI科技评论
深度 | 苹果揭秘“Hey Siri”的开发细节，原来不仅有两步检测，还能辨别说话人
在iPhone上，苹果设计了两个网络，一个用于初始检测，另一个用于第二步检测。初始检测中的神经元数目比第二步检测中的少。 这个声学模型的输出是为每一帧计算语音类别的概率分布。 Siri”检测器不仅需要检测结果准确，还要在达到高识别速度的同时不造成明显的电量消耗。 Apple Watch用的是一个一步检测的检测器，其中的声学模型大小介于刚才说到的其它iOS设备中第一步检测和第二步检测的模型大小之间。 数据集中有不同来源的共数千小时录音，包括语音博客和Siri收到的各种语言语音中不含有“Hey Siri”的那些，它们分别代表了背景声音（尤其是人类对话）和用户跟另一个人讲话时容易出现的词语。 ，但是另一个人说“Hey Siri”的时候Siri也启动了）。
2.8K60发布于 2018-03-14 - 来自专栏企鹅号快讯
机器人不说话，智慧物流是个啥？
（嘿嘿，世界正在变化，再不说话你就让丫取代了。） 广义上讲，智慧物流是人类赋予物流智能创造美好生活的行为艺术。 它通过物联网、大数据、云计算等新一代信息技术，实现操作无人化、运营智能化、决策智慧化，促进服务精准、网络协同、运营高效、绿色环保，形成人与社会、人与自然的高度统一，在不断地挖掘人的潜能、体现人的价值的过程中 在操作层面上，智慧物流指机器人、人工智能技术使得仓储—分拣—运输—配送—客服全供应链环节的无人化得以实施，推动物流行业第一次真正脱离人力的约束，将变得前所未有的高效，并且不出差错。
969100发布于 2018-02-28 Alexa语音识别：RNN-T与说话人识别新突破
Speaker identification for household scenarios with self-attention and adversarial training》报告了语音团队在说话人识别方面的最新创新 ，即识别在给定时间点多个可能的说话人中哪一位在说话。 Alexa ASR负责人在Interspeech的主题演讲中强调了这两个领域——说话人识别和RNN-T在ASR中的应用——作为Alexa科学团队近年来取得快速进展的领域。 说话人识别说话人识别系统使语音代理能够将内容个性化地推送给特定客户，通常依赖循环神经网络或卷积神经网络，这两种网络都能跟踪语音信号在短时间跨度内的一致性。 在测试中，研究人员将他们的系统与四个先前的系统进行了比较，发现其说话人识别的准确率全面更高。
19310编辑于 2026-02-18- 来自专栏机器人网
数据来说话：中外机器人的差距在哪里？
服务机器人 应用在工业自动化以外的，多用途的机器人。 1.个人/家用机器人（家庭作业、娱乐休闲、残障辅助、住宅安全和监视）2.专业服务机器人（场地、专业清洁、医用、物流用途、检查和维护保养、建筑、水下、国防和救援） 为什么需要机器人 中国已进入中等收入国家行列 机器换人的经济效益：机器人成本的下降使得成本回收期大幅缩短 谁在制造机器人 工业机器人是目前机器人产业发展的最前沿。 机器人“四大家族”渐成巨无霸 在工业机器人领域，德国库卡，日本发那科（Fanuc）、安川，瑞士ABB四家企业遥遥领先，被戏称为机器人“四大家族”。 ? 各国相续推出机器人发展战略 1）美国2013年发布机器人发展规划路线图 2）德国力推工业 4.0 战略 3）英国发布机器人 RAS 2020 战略 4）日本发布《机器人白皮书》 地方政府竞逐机器人产业
1.1K80发布于 2018-04-19 QQ达人筛选工具，等级活跃度地区年龄筛选检测，python实现
主程序可以设置多种筛选条件并生成统计报告，工具模块提供了常用的辅助功能，命令行界面方便用户直接使用，Python实现，包含多模块功能，可以筛选QQ用户的等级、活跃度、地区和年龄等信息。 filter.generate_report(filtered_users) print("统计报告:") print(f"等级分布: {dict(report['level_stats'])}") print(f"活跃度分布 type=int, nargs=2, help='等级范围(min max)') parser.add_argument('--activity', type=int, nargs=2, help='活跃度范围
35410编辑于 2025-07-07- 来自专栏Michael阿明学习之路
使用pyannote.audio进行语音分离和说话人识别
https://github.com/pyannote/pyannote-audio pip install pyannote.audio 场景： 一段音频中有多个说话人，将不同的人说的话分离出来 已知一些人的语音特征 distances = {} for speaker, embeddings in speaker_embeddings.items(): # 计算与已知说话人的声纹特征的余弦距离 distances[speaker] = min([cosine(embedding, e) for e in embeddings]) # 选择距离最小的说话人 distances, key=distances.get) speaker_turns.append((turn, recognized_speaker)) # 记录说话人的时间段和余弦距离最小的预测说话人 ，后半部分是 moon 说话 # 识别给定音频中的说话人 recognized_speakers = recognize_speaker(pipeline, given_audio_file
3.6K00编辑于 2024-05-24 - 来自专栏音视频开发之旅
音视频开发之旅（72）- AI数字人-照片说话之SadTalker
目录 1.效果展示2.SadTalker原理学习3.SadTalker代码流程分析4.性能优化5.参考资料AI数字人目前做的最好的无疑是heygen，但是费用也是很贵，也有一些其他的商业应用，比如：微软小冰 self.preprocess)复制3.2.1 preprocess_model.generate主要用于从视频帧中裁剪出人脸，并提取面部关键点和3DMM（三维形态模型）参数#内部通过dlib进行人脸检测 method=enhancer, bg_upsampler=background_enhancer)复制四、性能优化4.1 工程优化4.1.1 处理速度慢通过上面的代码分析，主要流程有三步：人脸关键点检测 【三种生成数字人的方法】 https://www.youtube.com/watch? v=fhkr202Hhu0&ab_channel=AI-Candy感谢你的阅读接下来我们继续学习输出AIGC相关内容，“音视频开发之旅”，回复“AI数字人” 获取学习资料，一起学习成长。欢迎交流
1.6K10编辑于 2024-03-02 - 来自专栏机器人网
数据揭秘当前的机器人市场，最活跃风投来自哪里？
投资者正在向机器人技术大举投资。根据市场研究公司CBInsights的数据，2015年，不包括无人机在内，机器人技术获得的投资同比增长115%。 匹兹堡创新工场、英特尔资本和High-Tech Grunderfonds是这一领域最活跃的风投机构。 机器人行业个阶段融资额占比 最活跃的风投机构 在机器人行业，来自匹兹堡的创新工场是最活跃的风投机构，投资了超过5家公司。 从2011年到2016年目前为止，机器人行业最活跃的风投如下： 1.创新工场 2.英特尔资本 2.High-Tech Grunderfonds 3.CRV 3.Visionnaire Ventures 3.Khosla Ventures 3.Two Sigma Ventures 获投资最多的机器人公司 来自加州、尚未正式推出产品的机器人创业公司Auris Surgical Robots是获投资最多的机器人公司
91150发布于 2018-04-23 - 来自专栏脑机接口
脑机接口将让人“用意念说话”
“我们现在的研究重点就是通过脑机接口读取大脑信号，比如大脑是如何让肢体移动或让人看到或听到。”
34230编辑于 2022-09-22 - 来自专栏深度学习和计算机视觉
人眼疲倦检测开源算法
因此本项目的开发者计划通过视觉观测人的眼睛来判断被观察者是否存在疲劳，接下来小白将为大家详细介绍该系统。
2.1K60发布于 2019-10-24 - 来自专栏机器学习与生成对抗网络
CVPR 2021 | GAN的说话人驱动、3D人脸论文汇总
一、说话人驱动（talking head） 1、Audio-Driven Emotional Video Portraits 尽管此前一些方法在基于音频驱动的说话人脸生成方面已取得不错的进展，但大多数研究都集中在语音内容与嘴形之间的相关性上 Pose-Controllable Talking Face Generation by Implicitly Modularized Audio-Visual Representation 针对任意人的 、以其音频驱动的说话人脸生成研究方向，已实现了较准确的唇形同步，但头部姿势的对齐问题依旧不理想。 本文主要针对的是，如何生成姿势可控的说话人脸。 ? 使用包含目标人物的源图像，以及驱动视频来合成源人物说话视频。运动信息基于一种关键点表示进行编码，其中特定于身份和运动相关的信息被无监督地解耦。 ?
4K30发布于 2021-07-05 - 来自专栏机器人网
推荐 | 靠技术说话 新松机器人重塑“中国制造”新形象
技术换来尊重 2013年增长41%，2014年增长54%，井喷式增长的中国机器人市场已经成为全球机器人公司看中的“大蛋糕”。 他语气坚决，“吃技术饭的新松不走低价低端路线，我们推出的高端机器人已经和进口机器人价格持平。”许多国际订单，都是新松通过与国际机器人企业同台竞技拿下的。 靠技术说话，新松移动机器人不仅实现了批量出口，还一举拿下95%的国内市场份额，首次在高端制造领域对进口品牌形成一边倒的“挤出效应”。 移动机器人事业部负责人王玉鹏认为有必要匡正视听，实际上机器人的门类很广泛，包括工业机器人、移动机器人、洁净机器人、特种机器人和服务机器人五大类产品。工业机器人俗称机械手，只是其中最常见的品类之一。 欧洲、美国、日本各擅其长，欧洲侧重工业机器人，美国青睐特种机器人，日本服务机器人最多。但能把五大类机器人产品线做全者唯有新松。为啥做这么全？因为国家需要。
83150发布于 2018-04-19 - 来自专栏机器学习AI算法工程
yolov5人脸检测，带关键点检测
代码说明： 1，在yolov5的检测基础上，加上关键点回归分支，请先下载yolov5的工程：https://github.com/ultralytics/yolov5 2，detect_one.py是单张图片的测试代码 关于口罩人脸的问题： 1，增加口罩人脸这个类别，建议不要直接在检测分支中增加类别。 2，应该在关键点分支额外增加一个属性分支，接一个二分类，判断有没有戴口罩。
3.1K30发布于 2021-05-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号