使用java从wav文件中提取人声

Question

我正在开发一个项目，我必须使用java从音频.wav文件中提取人声。

音频.wav文件可能有3到4种声音，如狗，猫，音乐和人类。我将不得不识别人声，然后从音频.wav文件中提取该部分。

我正在使用FFT.java和Complex.java。

现在我编写了一个AudioFileReader类，它从硬盘驱动器中读取audio.wav文件，然后将其转换为bytes数组。然后使用上面提到的FFT.java和Complex.java来应用FFT.fft（bytesArray），这给了我复数数组作为回报;

现在问题是如何从返回的复杂数组中提取人类声音字节模式...有谁知道我怎么能够实现这个？

<小时/> 编辑：我们假设一个非常简单的audio.wav文件。例如，猫声然后沉默，人声然后沉默，狗声然后沉默等没有声音混合。

Answer 1

我认为处理这类问题的标准方法是将输入信号转换为Cepstrum或Mel-Cepstrum表示，然后使用特征空间的系数输入分类器。有许多研究论文基于这种基本方法讨论这些问题的解决方案，例如：

http://www.ics.forth.gr/netlab/data/J17.pdf

您可能尝试的一种可能的捷径是将输入信号通过低比特率声码器（如AMBE），然后进行解码，并将原始信号的质量与编码/解码信号进行比较。这些声码器旨在高度压缩人类语音，质量保持良好，代价是不能充分代表非语音声音。

Answer 2

这可以通过人工智能实现（而且还有一点点）。您可能会调查用于语音识别的API，但我怀疑它们是否能够在后台支持带噪声的信号。

E.G。

• 是猫还是有人说'喵'？
• 那是音乐，还是有人在唱'做，重新，是......'？
• 谁说'Polly想要饼干'，人类或鹦鹉？

Answer 3

这是一个经典的AI问题（机器学习/模式识别）看看the Wikipedia article

但基本上您需要已经将您输入算法的数据分类，以便它可以学习如何对新数据进行分类。但要注意，100％正确性对于该领域的几乎任何事情都是虚幻的，尽管对于您的简单问题它可能是可能的（取决于您对问题的确切定义）