对于需要识别一个人发声的CNN，我需要多少训练数据？

Question

我有一个朋友通过独特的发声方式交流（不使用任何语言），我想建立一个可以识别这些声音的CNN。我知道，语音识别要推广到很多人，需要大量的训练数据。但是，对于可以识别单个人的音频的CNN，有人能猜出每个发声需要多少个样本（假设我可能需要区分大约20种声音）？任何帮助，将不胜感激。