说话人识别

Question

我如何区分两个人说话？如果有人说“你好”然后另一个人说“你好”我应该在音频数据中寻找什么样的签名？周期性？

非常感谢能够回答此问题的任何人！

Answer 1

这个问题的解决方案在于数字信号处理（DSP）。说话人识别是一个复杂的问题，它使计算机和通信工程技术携手并进。大多数说话人识别技术需要通过机器学习进行信号处理（通过扬声器数据库进行训练，然后使用训练数据进可遵循的算法大纲 -

1. 以原始格式录制音频。这用作需要处理的数字信号。
2. 对捕获的信号应用一些预处理例程。这些例程可以简单地用信号归一化，或过滤信号去除噪声（使用带通滤波器来处理人类语音的正常频率范围。带通滤波器可以在使用低通和高通滤波器组合创建。）
3. 一旦确定捕获的信号几乎没有噪声，特征提取阶段就开始了。用于提取语音特征的一些已知技术是 - 梅尔频率倒谱系数（ MFCC ），线性预测编码（ LPC ）或简单 FFT < / strong>功能。
4. 现在，有两个阶段 - 培训和测试。
5. 首先，系统需要在不同扬声器的语音功能之前进行训练才能区分它们。为了确保正确计算特征，建议必须收集来自扬声器的几个（> 10个）语音样本用于训练目的。
6. 可以使用不同的技术（如神经网络或基于距离的分类）进行训练，以找出不同发言者的声音特征的差异。
7. 在测试阶段，训练数据用于查找位于距被测信号最低距离的语音特征集。可以使用 Euclidean或Chebyshev 距离等不同距离来计算此距离。

有两个开源实现可以识别说话人 - ALIZE ：http://mistral.univ-avignon.fr/index_en.html和 MARF ：http://marf.sourceforge.net/。

我知道回答这个问题有点晚了，但我希望有人觉得它有用。

Answer 2

即使是语音和信号处理方面的专家，这也是一个非常难的问题。此页面提供了更多信息：http://en.wikipedia.org/wiki/Speaker_recognition

一些建议的技术起点：

  

以往的各种技术   处理和存储声纹包括   频率估计，隐马尔可夫   模型，高斯混合模型，   模式匹配算法，神经网络   网络，矩阵表示，矢量   量化和决策树。一些   系统也使用“反扬声器”   技术，如队列模型，和   世界模特。

Answer 3

只有两个人可以区分，如果他们说出相同的单词或短语会使这更容易。我建议从简单的事情开始，只根据需要增加复杂性。

首先，我会尝试数字波形的样本计数，按时间和幅度分组，或者（如果你有方便的软件功能）整个话语的FFT。我首先考虑一个基本的建模过程，例如线性判别（或任何你已经可用的）。

Answer 4

另一种方法是使用麦克风阵列并区分声源的位置和方向。我认为这是一种更简单的方法，因为位置计算比从单声道或立体声源分离不同的扬声器要复杂得多。