我正在寻找个人项目的建议。
我正在尝试创建一个用于创建自定义语音命令的软件。目标是允许用户/我记录一些音频数据（2/3秒）以定义命令/宏。然后，当用户说话（记录相同的音频数据）时，将执行命令/宏。 该软件必须能够在低成本计算机（例如RaspberryPi）中在不到1秒的处理时间内检测到命令。
我已经用两种方式搜索过： - 语音识别（CMU-Sphinx，Julius，simon）：有很好的开源解决方案，但它们通常需要大型数据库文件，语音识别并不是我想要做的。语音识别对于小功能可能消耗太多功率。 - 音频指纹识别（Chromaprint - ＆gt; http://acoustid.org/chromaprint）：它似乎几乎就是我正在寻找的东西。原理是从原始音频数据创建指纹，然后比较指纹以确定它们是否相同。然而，这种软件/库似乎是为歌曲识别而设计的（就像智能手机上的着名软件一样）：我正在尝试配置一个好的“比较器”，但我认为我的方式很糟糕。
您是否知道某些专用软件或代码包做类似的事情？
任何建议都将不胜感激。
答案 0 :(得分：2)
我有一个或多或少类似的项目，我打算向机器人发送语音命令。语音识别软件对于这样的任务来说太复杂了。我在C ++中使用FFT实现来提取采样语音的傅里叶分量，然后我创建了主要频率的直方图（目标语音命令具有最高振幅的频率）。我尝试了两种方法：
比较给定语音命令的直方图与保存在内存中的直方图之间的相似性，以识别最可能的命令。
使用支持向量机（SVM）训练分类器以区分语音命令。我使用了LibSVM，结果比第一种方法要好得多。但是，SVM方法的一个问题是您需要一个相当大的数据集来进行训练。另一个问题是，当给出未知语音时，分类器无论如何都将输出命令（这显然是错误的命令检测）。第一种方法可以避免这种情况，我有一个相似性度量阈值。
我希望这有助于您实施自己的语音激活软件。
答案 1 :(得分：1)
对于该任务，歌曲指纹不是一个好主意，因为命令时间可能会有所不同，指纹需要精确的时间匹配。然而，很容易实现与DTW算法匹配的时间序列和用CMUSphinx库Sphinxbase提取的特征。有关详细信息，请参阅维基百科有关DTW的条目。