如何比较两个音频数据？

Question

我将录制自己的声音并将其保存为计算机中的wav文件。稍后我会说话，计算机应该将我的语音命令与预先存在/预先录制的wav文件相匹配..

问题：如何检查两个音频数据是否相等或两个音频之间有80％匹配？

if(audio1 == audio2)
   DO Task A
else if( audio1 is a bit similar to audio 2)
   DO TASK B
else if( audio1 (80% match) audio 2)
   DO TASK C
end if

比较两个音频数据的最佳方法是什么？

Answer 1

不幸的是，只是尝试直接比较音频波形，你不会很快到达任何地方。关于语音和说话人识别的研究很多，如果你不熟悉基础知识，你就会重新发明轮子。我认为你有几个选择取决于你真正想做的事情

• 开始阅读有关HMM，DTW（由learnvst提及）和Mel-frequency Cepstral Coefficients以了解从哪里开始。
• 使用现有的语音API，例如负责低级别信号处理的Microsoft one，您可以将其构建到您的应用程序中
• 使用更高级别的内容，例如Windows Speech Recognition Macros，使您能够通过语音控制PC的各个方面（例如'Play Purple Haze'）

这取决于你是否想要了解低水平的语音处理（这将涉及大量的数学），或者你是否只想要一些适用于少量编码的东西。

Answer 2

您可以从 Homemade Speech Recognition 中找到一些想法。这适用于.NET紧凑框架，但可以很容易地适应普通vanilla .NET。该解决方案基于快速傅立叶变换。

Answer 3

类似的，你的意思是纯数字吗？在这种情况下，互相关类型分析可能就足够了。否则，如果你的意思是类似于人类听众对声音样本的听觉感知，那么你需要阅读声学指纹识别。

编辑：

我从您的更新中猜测您想要进行简单的语音识别形式，对吗？如果是这种情况，那么在非常有限的语料库中获得信号的最佳匹配的最佳选择是基于Dynamic Time Warping (DTW)的识别器。基于Hidden Markov Model的识别系统是最先进的，但基于DTW的系统实现起来要简单得多。

Answer 4

正如其他人所建议的，除非你能提供更多信息，否则没有简单的解决方案。如果它们只是非常短的声音，随着时间的推移变化不大，一种可能性是进行FFT并比较FFT的结果。

对于更复杂的东西，你可以采取类似的方法，但做STFT。

但是，很有可能，您的问题会针对特定领域的答案。