我有一堆关于电话交谈的音频文件。我想尝试将音频文件分成两个，每个只包含一个发言者的语音。也许我需要使用语音分类。但是我该怎么做呢？谁能给我一些线索？谢谢。 ps：Linux OS.C / C ++
答案 0 :(得分：3)
是的，diarization就是你想要的。
你可以看一些工具，都是GPL。一个是LIUM spkdiarization（Java），另一个是SHoUT toolkit（C ++）。 LIUM有很好的文档，旁边有一个脚本，SHoUT有点神秘，所以你应该按照作者发布的here的说明进行操作。
虽然我可能有点太晚了。 ;）
答案 1 :(得分：2)
虽然分离单个扬声器是一个非常困难的问题，但您可以在有暂停的地方自动分割音频。这将产生一系列可能更容易管理的文件，因为扬声器经常在暂停之间交替。
这种方法需要开源Julius语音识别解码器包。这在许多Linux软件包存储库中都可用。我使用Ubuntu multiverse存储库。
以下是网站：http://julius.sourceforge.jp/en_index.php
第0步：安装Julius
sudo apt-get install julius
第1步：分段音频
adintool -in file -out file -filename myRecording.wav -startid 0 -freq 44100 -lv 2048 -zc 30 -headmargin 600 -tailmargin 600
-startid 是将附加到文件名的起始段号
-freq 是源音频文件的采样率
-lv 是语音检测将处于活动状态的音频级别
-zc 是语音检测将处于活动状态的过零点
-headmargin 和 -tailmargin 是每个音频片段之前和之后的静音量
请注意，必须针对特定音频录制的属性调整-lv和-zc，而必须针对特定扬声器的样式调整-headmargin和-tailmargin。但上面给出的值对我过去的录音效果很好。
以下是文档：http://julius.sourceforge.jp/juliusbook/en/adintool.html
根据我的经验，使用压缩和规范化对音频进行预处理可以获得更好的结果，并且需要较少调整Julius参数。建议采用这些初始步骤，但不是必需的。
这种方法需要开源SoX音频工具包。这在许多Linux软件包存储库中也可用。我使用的是Ubuntu Universe存储库。
以下是网站：http://sox.sourceforge.net
步骤-2：安装SoX
sudo apt-get install sox
步骤-1：预处理音频
sox myOriginalRecording.wav myRecording.wav gain -b -n -8 compand 0.2,0.6 4:-48,-32,-24 0 -64 0.2 gain -b -n -2
获取-b -n 平衡并将音频标准化为给定级别
compand 根据参数压缩（在本例中）音频
请注意，compand可能需要一些时间来完全理解参数。但上面给出的值对我过去的录音效果很好。
以下是文档：http://sox.sourceforge.net/sox.html
虽然这不会给你识别每个扬声器，但它将大大简化通过耳朵进行操作的任务，这可能最终成为一段时间内唯一的选择。但我希望你找到实用的解决方案，如果它已经可用。