如何从波形文件中获取音频数据？

Question

我想在ruby中构建一个语音识别引擎。我知道我永远不会到那里，只是为了好玩。我需要获取存储在wav文件中的声音频率的数据，以便与我想要识别的不同声音的数据进行比较。 我将在ruby中编写代码，但我不认为有任何用红宝石编写的库，如果有任何反正，它们会太慢。 关于ruby的好处是我将能够通过IronRuby或Java通过Jruby使用.net库。 我如何获得频率数据？

Answer 1

波形文件并不太复杂，实质上它只是一系列音频样本：http://www-mmsp.ece.mcgill.ca/Documents/AudioFormats/WAVE/WAVE.html。

一旦你可以读取样本，下一步就是通过FFT变换运行它们，以获得频率内容。应该有一些可以使用的开源实现，或者你可以自己实现一个。

你要做的事情需要对音频和信号处理背后的数学有所了解，所以也许你想要开始写一本关于这个主题的书。

Answer 2

你应该阅读一些关于说话人识别的论文。此外，您可能会在Internet上找到许多库来解决此问题。 要构建说话人识别系统（识别系统或验证系统），您需要：

• 良好的音频功能（您希望找到能够明确描述数据集中每个扬声器语音的内容）大多数音频功能都是在排序词谱中提取的（这意味着在音频信号的小帧上采集的信号的FFT，其中信号应该是静止的）。但我们从不将频谱本身（FFT的对数）作为描述符（频谱中有太多无用的信息）。描述某人的声音最重要的是频谱的包络。你一定要看一下名为MFCC的音频描述符（对于梅尔频率倒谱系数），这是广泛使用的音频特征，用于说话人重复任务。

• 那么你还需要一个好的分类器（比如GMM，SVM ......），因为这个问题是使用有监督的机器学习算法来解决的。基本上，您需要为每个想要识别的扬声器训练模型，然后您将使用未用于训练的数据测试您的模型。模型