语音识别（使用ML？），而不是语音识别

Question

我正在寻找语音识别的示例代码（不要与语音识别相混淆），即-我需要建立一个可以检测特定人的语音的模型。

我可能最终会尝试使用自己的数据调整Tensor Flow“简单音频识别” ...这是最好的做法吗？还有其他建议吗？

Answer 1

很大程度上取决于具体情况。您将拥有多少培训样本？您打算认识多少人？信噪比是多少？系统必须识别多少时间？应该有多严格？

不过，我已经可以告诉您，从神经网络开始是一个糟糕的做法，因为您立即放弃对领域的理解。与大多数其他学习系统相比，对行为异常的神经网络进行故障排除要麻烦得多。

我建议您构建自己的功能，而不是一开始就依赖ANN。现在，我假设您对Python（作为大多数TF用户）没问题，并提出以下模块：

• Yaafe
• aubio
• librosa

作为一种选择，您可以使用三个MFCC中的任何一个进行计算，并以此为基础构建基准系统。通常，每个窗口计算40个或更多的系数，这些系数可以可视化为频谱图。后者可以解释为图像，并且，如果您愿意的话，可以对它们进行深度学习（这是一种流行的选择）。

请注意，“说话人识别”是生物识别的一个完整领域，并且有大量论文讨论了好的方法。

Answer 2

与语音识别相比，语音识别具有其自身的特定性。我建议您从一些专用工具包开始。

SPEAR就是这样一个项目，提供了立即可用的示例。

也有ALIZE，但从我的角度来看，它有点旧并且使用起来更复杂。

HTK是语音识别软件，但也可以用于您的任务：htk-speaker-recognition。甚至在此上发表了一篇硕士论文：Speaker Recognition System Using HTK。

我正在构建一个简单的说话人识别系统，但确实发现，使用HTK构建的非常简单的GMM-UBM模型可以提供最佳效果。

更新：

我完全忘记了SIDEKIT。它是ALIZE的继任者，是一个很棒的工具包。我也有一些可行的示例：https://www.dropbox.com/sh/iwbog5oiqhi2wo3/AACnj1Uhazqb-LQY_ztX66PDa?dl=0

Answer 3

对于相对易于使用的现代NN实现，您可以尝试

https://github.com/mravanelli/SincNet

您可以在公共voxceleb数据库上对其进行训练，以实现最佳分离。